郭佳驁 劉在田 閏子龍 苗喬偉

近年來，人們對社會公共安全問題的關(guān)注度不斷提高。視頻監(jiān)控系統(tǒng)的普及成為創(chuàng)建“平安城市”，提高人民社會安全感的有效保障。當下，解決從監(jiān)控圖像與視頻中尋找已知人物的行人重識別（ Personre-identification）問題被迅速提上日程，在人工智能領(lǐng)域，神經(jīng)網(wǎng)絡(luò)與深度學習算法的應(yīng)用成為解決此復雜問題的重要途經(jīng)。

在深度學習領(lǐng)域，神經(jīng)網(wǎng)絡(luò)訓練需要大量被標注的數(shù)據(jù)集樣本，而在大數(shù)據(jù)快速發(fā)展的今天，在短時間內(nèi)進行大量的數(shù)據(jù)標注工作來實現(xiàn)監(jiān)督學習是不現(xiàn)實的。無監(jiān)督遷移學習是指將數(shù)據(jù)標注這種龐大而復雜的工程，通過程序交由計算機處理，處理方式可以通過遷移已有模型進行訓練。因此，提高無監(jiān)督學習的成效成為當下亟待解決的關(guān)鍵問題。

目前在無監(jiān)督研究領(lǐng)域，多數(shù)研究成果是基于遷移學習模塊，小部分研究涉及最新的注意力模塊的應(yīng)用，而在多源域方面，目前的研究鮮有涉及。本文通過結(jié)合“多源域”與“遷移學習”，研究行人重識別問題，通過對注意力模塊的進一步研究，將模塊進行結(jié)合并論述多源域無監(jiān)督算法的可行性與應(yīng)用情況。

研究背景

當下，社會公共安全問題逐漸被人們重視，視頻監(jiān)控系統(tǒng)大量普及，實時監(jiān)控著人們在公共場所的行為，并作為安防安保建設(shè)工程的核心內(nèi)容。傳統(tǒng)監(jiān)控體系下的人工排查方式會耗費大量人力物力，在大型監(jiān)控網(wǎng)絡(luò)中存在明顯的劣勢。因此結(jié)合計算機視覺技術(shù)進行智能視頻監(jiān)控、跟蹤和檢索成為刑事偵查中亟待解決的重要課題。

行人重識別是利用計算機視覺技術(shù)判斷圖像，或者視頻序列中是否存在特定行人的技術(shù)，屬于在復雜視頻環(huán)境下的圖像處理和分析范疇。由于不同設(shè)備之間的差異，會造成圖像分辨率的差異與視覺模糊的效果，且行人會在監(jiān)控視頻中兼具剛性和柔性兩重特性，外觀易受穿著、姿態(tài)和光照等環(huán)境因素影響，使行人重識別成為計算機視覺領(lǐng)域中兼具研究價值與挑戰(zhàn)性的熱門課題。

傳統(tǒng)的機器學習技術(shù)是建立在來自同一分布樣本集假設(shè)前提下的訓練數(shù)據(jù)集和測試數(shù)據(jù)集。如果其測試數(shù)據(jù)集數(shù)據(jù)分布發(fā)生改變，那么預測分類器就必須重新訓練學習，從而適應(yīng)這種變化。“遷移學習”方法的提出，旨在通過利用已有數(shù)據(jù)集的可遷移性，輔助目標領(lǐng)域預測分類模型的建立，從而減少對目標領(lǐng)域帶標記數(shù)據(jù)的需求。但是，目前遷移學習很依賴源領(lǐng)域與目標領(lǐng)域之間的可遷移性關(guān)系，而多源遷移學習方法則是從多個源領(lǐng)域數(shù)據(jù)集中選擇合適的數(shù)據(jù)集進行知識遷移以減少負遷移，從而避免單一領(lǐng)域數(shù)據(jù)集可能帶來的風險。

隨著深度學習的不斷發(fā)展，面對現(xiàn)實問題時數(shù)據(jù)集越來越多，問題也變得越來越復雜。當有大規(guī)模數(shù)據(jù)集為測試數(shù)據(jù)集時，人工標記后的訓練數(shù)據(jù)集礙于效率與成本的問題，難以滿足當下對神經(jīng)網(wǎng)絡(luò)訓練速度提升的要求。因此，無監(jiān)督遷移學習的研究對行人重識別重難題的解決有著關(guān)鍵作用。

研究方向與成果

無監(jiān)督領(lǐng)域：無監(jiān)督神經(jīng)網(wǎng)絡(luò)提出后，網(wǎng)絡(luò)訓練的效率大大提升，數(shù)據(jù)集的規(guī)模也越來越大。有學者提出了使用聚類無監(jiān)督算法，該方法在無監(jiān)督領(lǐng)域是嶄新的方向，它根據(jù)數(shù)據(jù)的聚類情況讓計算機學習到特征，大大減輕了數(shù)據(jù)標注的壓力。但由于是簡單的聚類算法，很多特征計算機無法學習成功。因此，該方法雖然減輕了數(shù)據(jù)標注壓力，但實際效果并不理想。

遷移學習模塊：遷移學習是深度學習發(fā)展的里程碑，提出了將針對某一問題已有的訓練模型，微調(diào)遷移后應(yīng)用到另一問題上的新思路。這對無監(jiān)督學習的發(fā)展是一大突破，成功運用遷移學習方法實現(xiàn)的算法往往并不復雜。

注意力模型：注意力模型方法的提出使得解決行人重識別問題有了新方向，這是最新提出的圖像處理模塊，意在將指定圖像進行判定，并根據(jù)特征選擇圖片中的一部分為注意力模塊進行辨別。行人重識別算法涉及到實際應(yīng)用時，也會遇到更多不確定情況，目前在行人重識別問題中，針對解決無監(jiān)督多源域遷移學習的問題還沒有成熟的算法。前人為了綜合各個注意力模塊，提出了使用遷移學習進行多源域數(shù)據(jù)集統(tǒng)一的方法，但該方法面臨數(shù)據(jù)樣本特征會在優(yōu)化過程中弱化，數(shù)據(jù)源域在訓練中逐漸出現(xiàn)邊界消失，最后無法達到多源域訓練目的等問題。

核心技術(shù)與算法可行性

對多源域數(shù)據(jù)集的統(tǒng)一處理：當前的無監(jiān)督遷移學習方法大部分都是單源域數(shù)據(jù)集訓練，注意力模型的應(yīng)用也不廣，于是我們大膽提出假設(shè)，將遷移學習中的注意力模塊試用于多源域數(shù)據(jù)集范疇，并規(guī)范數(shù)據(jù)表示格式，使規(guī)范后的數(shù)據(jù)可以同時遷移多個模型進行訓練，以解決單源域數(shù)據(jù)訓練使用效果不佳的問題。通過大量訓練，讓網(wǎng)絡(luò)學習到各個注意力模型信息，提高網(wǎng)絡(luò)在不同影響條件下對行人重識別問題的健壯性，提高網(wǎng)絡(luò)的普適性，令網(wǎng)絡(luò)的判別效果達到新高度。

通過科研階段普遍認可的三大數(shù)據(jù)集Market-1501，DukeMTMC-REID，CUHK03進行評估。另外，還可以申請從有關(guān)部門獲取相關(guān)視頻圖像資源，進行實際的適配性檢測，以證明所提出模型的準確性、高效性與魯棒性。

基于深度學習的圖片特征提?。弘S著深度學習神經(jīng)網(wǎng)絡(luò)的發(fā)展，時至今日有許多已成形的特征提取網(wǎng)絡(luò)。網(wǎng)絡(luò)的選取在研究中極為重要，通過多次不同實驗，比較其效果得出各網(wǎng)絡(luò)的特點與優(yōu)越性，綜合已有數(shù)據(jù)分析后，本文認為使用殘差網(wǎng)絡(luò)效果更加。因為CNN網(wǎng)絡(luò)對圖像特征的提取，會隨網(wǎng)絡(luò)層數(shù)的增多提取到不同級別的特征，網(wǎng)絡(luò)越深提取到的特征越多，表達能力越強，深層的網(wǎng)絡(luò)提取到的特征會很抽象，并且存在語義信息。對于早期的特征提取網(wǎng)絡(luò)，不斷地增加深度，會出現(xiàn)梯度彌散或梯度爆炸的問題，導致網(wǎng)絡(luò)訓練效果不增反減，也使得深度網(wǎng)絡(luò)不能很好地優(yōu)化。而殘差網(wǎng)絡(luò)的優(yōu)點是更容易優(yōu)化，且具有抗干擾性，能夠通過增加深度來不斷提高準確率。

各樣本映射空間與全新的優(yōu)化方案：對多源域數(shù)據(jù)集樣本的映射處理，需要創(chuàng)新思維定義各數(shù)據(jù)樣本的映射結(jié)果，將樣本對應(yīng)的映射空間反映在全新的參量中，使多源域樣本映射結(jié)構(gòu)兼具數(shù)據(jù)多樣性與數(shù)據(jù)源域的獨立性，同時通過不斷優(yōu)化與目標數(shù)據(jù)域的距離，使方法效果更佳。

關(guān)鍵問題解決方案

多源域數(shù)據(jù)集的樣本的分辨率、樣本數(shù)的統(tǒng)一問題

針對此問題，可以對所有樣本進行特定的格式化計算，消除數(shù)據(jù)集內(nèi)樣本屬性不同的問題，且保證數(shù)據(jù)集樣本多樣性與數(shù)據(jù)源域的獨立性，以提高多源域數(shù)據(jù)集的訓練效果。

神經(jīng)網(wǎng)絡(luò)特征提取效果低下的問題

對此問題，需要進行不同網(wǎng)絡(luò)的嵌入對比實驗，并對結(jié)果進行分析討論，確定對解決行人重識別問題適配性，更好地特征提取網(wǎng)絡(luò)模型，并嵌入算法中。

新定義樣本映射空間模塊與制定損失優(yōu)化方案的問題

可通過定義權(quán)值參量的計算方法來反映數(shù)據(jù)集樣本的貢獻度與每個數(shù)據(jù)集和目標域之間的關(guān)聯(lián)度，通過控制變量比較其結(jié)果，找出最合適的計算方法。結(jié)合貢獻度與關(guān)聯(lián)度這2個權(quán)值對應(yīng)模塊，可以使樣本的映射空間得到全新定義，更好地解決行人重識別問題。

由于行人重識別問題存在巨大的研究價值，很多專家學者都在提出自己的網(wǎng)絡(luò)算法與優(yōu)化觀點，目前無監(jiān)督遷移學習作為較難的問題，其研究方向潛力巨大，當前已有國際學者提出較為成熟的網(wǎng)絡(luò)體系。國內(nèi)也有學者在不斷改進與探索，本文提出的網(wǎng)絡(luò)模型屬于理論研究階段，但可行性與準確率情況，在數(shù)據(jù)的分析與以往的研究中，均證明改進效果明顯，所以有理由相信，我們提出的理論網(wǎng)絡(luò)模型在行人重識別問題上有更好的效果。

越來越多的研究證明，所提方向是正確可靠的，所以，可以將理論研究成果的算法逐步優(yōu)化并與實際結(jié)合，也能夠達到更加方便生活的目的，故存在很強的研究與應(yīng)用價值。