(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211265027.4 (22)申请日 2022.10.17 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫 街200号 (72)发明人 张磊　高冠宇　 (74)专利代理 机构 南京合砺 专利商标代理事务 所(普通合伙) 32518 专利代理师 鲍小龙 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于分布式时空连续学习的行人重识别方 法 (57)摘要 本发明公开了一种基于分布式时空连续学 习的行人重识别方法， 该方法在分布式边缘计算 网络节点及边缘设备上部署行人重识别模型， 实 现对行人特征进行连续学习， 结合分布式时空特 征定向分享模 型知识， 根据真实的场景持续优化 分布式行人重识别模型。 本发明根据分布式计算 网络中的节点位置和边缘设备部署行人重识别 模型， 该模型包括特征提取模块和动态学习模 块， 各个边缘节点上特征提取模块训练、 识别方 式相同， 通过动态学习模块实现不同节点之间模 型知识的共享， 其中动态学习模块还划分为基本 权重、 自适应权重以及注意力权重来实现分布式 的知识聚合和模型 更新。 权利要求书3页 说明书8页 附图2页 CN 115471793 A 2022.12.13 CN 115471793 A 1.一种基于分布式时空连续学习的行人重识别方法， 该方法在 分布式边缘计算网络节 点及边缘设备上部署行人重识别模型， 实现对行人特征在本地进行连续学习， 结合分布式 时空特征定 向分享模型知识， 根据真实的场景持续优化分布式行人重识别模型， 其特征在 于： (1)组建具有分布式部署和跨时空连续学习能力的行人重识别模型， 对于每个边缘节 点i(i∈C)， 所述行 人重识别模型对应的神经网络包括特 征提取模块Gi和动态学习模块Fi； 其中， 所述的特征提取模块Gi的权重由I mageNet预训练的卷积网络模型进行初 始化； 所 述的动态学习模块Fi的卷积权 重θi分解为基本权重Bi、 自适应权 重Ai以及注意力权 重αi； (2)当边缘节点i(i∈C)在某段时间t(t＝1， 2， ...)内出现漂移数据 时， 利用特征提 取模块Gi提取漂移数据的特 征Pi(t)和特征平均值 并发送到参数服 务器中； (3)参数服务器将来自不同时间和空间的漂移数据特征进行跨时空的多尺度聚类， 对 于不同时间段t， t ′以及边缘节点i， j的数据特 征 计算多尺度特 征距离 (4)将参数服务器中边缘节点i与其他节点j按照时间维度进行加权聚合， 得到t时刻边 缘节点i与其他边缘节点j的一维时空关联度 (5)参数服务器中， 对于处在t时刻的边缘节点i， 选择与其时空关联度 高 于给定阈值λw的边缘节点集合， 将它们的动态学习模块的卷积权重进行聚合， 并将聚合的 结果用于更新 边缘节点i的基本权重Bi； (6)当边缘节点i更新了基本权重Bi后， 将基本权重Bi进行固定， 利用梯度下降算法在本 地环境 中不断优化自适应权 重Ai以及注意力权 重αi； (7)在部署过程 中不断重 复步骤(2) ‑步骤(6)的过程， 实现所有边缘模型在长期部署中 能够实现跨时空的分布式连续学习。 2.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 步 骤(1)中对每个时刻的漂移数据提取特征， 所有边缘节点采用由ImageNet预训练的卷积神 经网络作为特征提取模块Gi， 通过动态学习模块Fc实现其他节点的行人重识别模型在当前 环境数据的连续学习。 3.根据权利要求2所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 所 述动态学习模块Fi的各层权重参数由基本权重Bi、 自适应权重Ai以及注意力权重αi组成， 基 本权重Bi由其他边缘设备上的行人重识别参数聚合， 自适应权重Ai由当前环境连续学习得 到， 注意力权重αi从基本权重Bi中选择与当前边缘环境相关的权重， 对于边缘节点i其动态 学习模块Fi的各层权 重参数可以表示 为： 4.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 步 骤(2)中当前时间段漂移数据的特 征Pi(t)和特征平均值 存在如下数学计算关系：权　利　要　求　书 1/3 页 2 CN 115471793 A 2式中， 和Yi(t)分别是边缘设备i在时刻t下的漂移数据以及对应的标签数据； 是利用特征提取模块Gi对漂移数据 进行特征抽取的结果； Pi(t)是漂移数据的特 征所组成的集合， 其表示将特征抽取的最终结果 和对应的标签数据Yi(t)进行向量 组合； 此外， 是特征平均值， 表示对漂移数据特征集合Pi(t)中的各特征元素pi进行加权 平均。 5.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 步 骤(3)中多尺度特 征距离 的计算方式如下： 式中， 代表在处在t 时刻的边缘设备i在漂移数据维度d上的特征值； 代表在处在t ′时刻的边 缘设备j在漂移数据维度d上的特 征值。 6.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 步 骤(4)中将多尺度的聚类距融合成为 一维的时空关联度， 具体包括如下 过程： t时刻的边缘节点i与其他边缘节点j(j≠i)在时间和空间尺度的相似性由指数型遗忘 权重 λforget累计而成； 对于t时刻的边 缘节点i， 与其他边缘节点j(j≠i)的一维时空关联度 表示为： 7.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法， 其特征在于： 步 骤(5)中将一维时空关联度 以用于各个边缘节点的模型参数更新， 具体 过程如 下： 对于处于t时刻的任意边缘节点i， 其首先选择时空关联度 中关联度超过 给定阈值 λw的边缘节点集合 并按照关联度递增的顺序进行排列， 其表达式如下： 式中， 对于处于t时刻的边缘节点i， 将与其最相关的边缘节点集合 中的行人重识别权　利　要　求　书 2/3 页 3 CN 115471793 A 3