本發(fā)明提供了一種基于遷移學(xué)習(xí)的內(nèi)河船舶重識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)，重識(shí)別方法利用風(fēng)格遷移后的行人重識(shí)別數(shù)據(jù)集，初始化一個(gè)CNN模型得到第一重識(shí)別模型，并利用第一重識(shí)別模型對(duì)無(wú)標(biāo)簽的內(nèi)河船舶數(shù)據(jù)集進(jìn)行特征提取；利用無(wú)監(jiān)督K?Means聚類算法，對(duì)第一重識(shí)別模型提取的特征進(jìn)行聚類，得到具有偽標(biāo)簽的第一內(nèi)河船舶數(shù)據(jù)集；利用第一內(nèi)河船舶數(shù)據(jù)集對(duì)第一重識(shí)別模型微調(diào)，得到內(nèi)河船舶重識(shí)別模型。利用內(nèi)河船舶重識(shí)別模型，得到每一張待識(shí)別內(nèi)河船舶圖像的候選圖像列表。本發(fā)明提出的基于遷移學(xué)習(xí)的內(nèi)河船舶重識(shí)別方法不需要對(duì)內(nèi)河船舶數(shù)據(jù)集進(jìn)行標(biāo)注，很好的解決了現(xiàn)有技術(shù)中在同域場(chǎng)景下內(nèi)河船舶數(shù)據(jù)集有限、標(biāo)注成本大以及精度不高的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特別涉及基于遷移學(xué)習(xí)的內(nèi)河船舶重識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，大規(guī)模的攝像頭布置在城市的各個(gè)角落，行人重識(shí)別技術(shù)結(jié)合目前大量的圖像和視頻數(shù)據(jù)，在智能視頻監(jiān)控以及智能安保等領(lǐng)域，發(fā)揮著越來越重要的作用。得益于深度學(xué)習(xí)算法的快速發(fā)展、硬件計(jì)算能力的迅速提升以及大規(guī)模數(shù)據(jù)集如CUHK03、Market-1501、MSMT17等的公布，行人重識(shí)別技術(shù)在一些標(biāo)準(zhǔn)公開數(shù)據(jù)集上的測(cè)試準(zhǔn)確率已經(jīng)得到了顯著提高。

現(xiàn)有技術(shù)中，應(yīng)用最為廣泛的重識(shí)別方法的基本思想是把重識(shí)別問題轉(zhuǎn)換為分類問題，方法缺點(diǎn)是對(duì)于給定一個(gè)目標(biāo)域，需要大量有標(biāo)簽的數(shù)據(jù)集來初始化CNN模型。具體地，以內(nèi)河船舶重識(shí)別方法為例，其基本方法為，首先，利用一個(gè)特定場(chǎng)景的大量有標(biāo)簽的數(shù)據(jù)集預(yù)訓(xùn)練一個(gè)CNN(卷積神經(jīng)網(wǎng)絡(luò))模型，比如采用ResNet-50模型；然后，提取輸入圖像的全局特征，之后接一個(gè)全連接層和softmax分類器，把每一類內(nèi)河船舶視為一類，通過優(yōu)化分類損失函數(shù)來訓(xùn)練這個(gè)模型。盡管基于深度神經(jīng)卷積網(wǎng)絡(luò)的方法取得了顯著的進(jìn)展，而現(xiàn)實(shí)中，針對(duì)一個(gè)特定的場(chǎng)景，往往拿不到這么多的數(shù)據(jù)集從而導(dǎo)致模型的測(cè)試性能不佳。

進(jìn)一步地，不僅如此，人為對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注往往又花費(fèi)較大的人力和物力。這其中，較為典型的就是內(nèi)河船舶重識(shí)別方法，就普遍面臨這樣的問題，目前針對(duì)內(nèi)河船舶重識(shí)別的數(shù)據(jù)集非常有限，同時(shí)給定一個(gè)特定的內(nèi)河船舶重識(shí)別場(chǎng)景，為了達(dá)到令人滿意的識(shí)別精度，往往需要花費(fèi)大量的人力和物力去標(biāo)注內(nèi)河船舶樣本來訓(xùn)練重識(shí)別模型。

因此，如何解決內(nèi)河船舶標(biāo)注樣本不足，從而進(jìn)一步提高內(nèi)河船舶重識(shí)別方法的精度，成為本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題之一。

需要說明的是，公開于該發(fā)明背景技術(shù)部分的信息僅僅旨在加深對(duì)本發(fā)明一般背景技術(shù)的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域技術(shù)人員所公知的現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題為，現(xiàn)有技術(shù)中內(nèi)河船舶重識(shí)別方法在同域場(chǎng)景下數(shù)據(jù)集有限，標(biāo)注成本大以及識(shí)別精度不高的問題。本發(fā)明的其中一個(gè)目的是提供一種基于遷移學(xué)習(xí)的內(nèi)河船舶重識(shí)別方法，另外一個(gè)目的是提供一種計(jì)算機(jī)設(shè)備和提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)。

為了實(shí)現(xiàn)上述第一個(gè)目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：一種基于遷移學(xué)習(xí)的內(nèi)河船舶重識(shí)別方法，包括如下步驟：

S100：利用風(fēng)格遷移后的行人重識(shí)別數(shù)據(jù)集，初始化一個(gè)CNN模型得到第一重識(shí)別模型，并利用所述第一重識(shí)別模型對(duì)無(wú)標(biāo)簽的內(nèi)河船舶數(shù)據(jù)集進(jìn)行特征提取；

S200:利用無(wú)監(jiān)督K-Means聚類算法，對(duì)所述第一重識(shí)別模型提取的特征進(jìn)行聚類，得到具有偽標(biāo)簽的第一內(nèi)河船舶數(shù)據(jù)集；

S300：利用所述第一內(nèi)河船舶數(shù)據(jù)集對(duì)所述第一重識(shí)別模型微調(diào)，得到內(nèi)河船舶重識(shí)別模型；

S400：利用所述內(nèi)河船舶重識(shí)別模型，提取待識(shí)別內(nèi)河船舶數(shù)據(jù)集中每一張待識(shí)別內(nèi)河船舶圖像的深度特征得到特征向量，計(jì)算所述特征向量之間的歐式距離，得到每一張待識(shí)別內(nèi)河船舶圖像的候選圖像列表；