目标重识别模型的训练方法以及目标重识别方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112287959A(43)申请公布日2021.01.29(21)申请号202010484791.5(22)申请日2020.06.01(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人刘武何凌霄梅涛赵何(74)专利代理机构中国贸促会专利商标事务所有限公司11038代理人许蓓(51)Int.Cl.G06K9/62(2006.01)G06K9/34(2006.01)G06N3/04(2006.01)权利要求书3页说明书15页附图8页(54)发明名称目标重识别模型的训练方法以及目标重识别方法和装置(57)摘要本公开提出一种目标重识别模型的训练方法以及目标重识别方法和装置，涉及计算机技术领域。在本公开中，利用训练图像的各个局部区域所对应的空域特征所构成的空域特征矩阵对全卷积神经网络进行训练，并根据损失函数来优化全卷积神经网络，得到目标重识别模型。在目标重识别时，利用目标重识别模型可以获取待识别图像的各个局部区域所对应的空域特征所构成的空域特征矩阵，利用待识别图像的每个空域特征(即局部特征)去匹配候选图像的各个空域特征，再根据待识别图像的所有空域特征与候选图像的匹配度综合确定待识别图像与候选图像的匹配度，在待识别图像中的目标仅有一部分的情况下，依然能够识别出该目标，从而提高了目标重识别的准确率。CN112287959ACN112287959A权利要求书1/3页1.一种目标重识别模型的训练方法，其特征在于，包括：将多个训练图像输入到全卷积神经网络中，其中，所述多个训练图像包括多个目标，每个目标对应多张训练图像；根据所述全卷积神经网络获取每个训练图像的各个局部区域所对应的空域特征所构成的空域特征矩阵；针对每个训练图像：将所述训练图像作为第一元组；将与所述训练图像的目标相同且距离最远的训练图像作为第二元组；将与所述训练图像的目标不同且距离最近的训练图像作为第三元组；根据所述第一元组的空域特征矩阵与所述第二元组对应的空域特征矩阵之间的距离之和，以及所述第一元组的空域特征矩阵与所述第三元组对应的空域特征矩阵之间的距离之和，确定每个所述训练图像的第一损失；根据所有训练图像对应的所述第一损失之和，确定总损失；基于所述总损失计算的梯度更新所述全卷积神经网络；当满足预设的终止条件时，所述全卷积神经网络训练完成，训练完成的所述全卷积神经网络作为所述目标识别模型。2.根据权利要求1所述的目标重识别模型的训练方法，其特征在于，还包括：根据所述全卷积神经网络获取所述训练图像的预测的第一矩阵；根据所述训练图像的预测的第一矩阵与真实的第一矩阵确定每个所述训练图像的第二损失，所述第一矩阵中的每个元素表示所述训练图像所对应的空域特征矩阵中的相应空域特征属于前景标签的概率；其中，所述确定总损失包括：根据所有训练图像分别对应的所述第一损失之和以及所述第二损失之和，确定总损失。3.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，还包括：根据所述全卷积神经网络获取所述训练图像的预测的第二矩阵；根据所述训练图像的预测的第二矩阵与真实的第二矩阵确定每个训练图像对应的第三损失，所述第二矩阵中的每个元素表示所述训练图像所对应的空域特征矩阵中的相应空域特征属于前景的姿态的概率；其中，所述确定总损失包括：根据所有训练图像分别对应的所述第一损失之和、所述第二损失之和以及所述第三损失之和，确定总损失。4.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，确定总损失包括：为所述第一损失、所述第二损失和所述第三损失分别设置一个权重，其中，所述第三损失的权重分别大于所述第一损失的权重和所述第二损失的权重；利用设置的权重对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到所述总损失。5.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，所述真实的第一矩阵通过将所述训练图像输入到语义分割网络模型中得到。6.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，所述预测的第二矩阵根据全卷积神经网络的用于姿态估计的多个卷积层得到，其中，每个卷积层被配置为对所述训练图像中的前景的一个姿态关键点进行姿态估计。2CN112287959A权利要求书2/3页7.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，所述真实的第二矩阵通过将所述训练图像输入到姿态估计模型中得到。8.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，所述确定每个训练图像对应的第二损失包括：计算所述训练图像的预测的第一矩阵与真实的第一矩阵的二范数，将所述二范数作为所述第二损失。9.根据权利要求3所