分类网络训练和目标重识别方法、装置、终端及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082748A(43)申请公布日2022.09.20(21)申请号202211014862.0(22)申请日2022.08.23(71)申请人浙江大华技术股份有限公司地址310051浙江省杭州市滨江区滨安路1187号(72)发明人司永洁潘华东殷俊(74)专利代理机构深圳市威世博知识产权代理事务所(普通合伙)44280专利代理师何倚雯(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/40(2022.01)G06V40/10(2022.01)权利要求书5页说明书14页附图6页(54)发明名称分类网络训练和目标重识别方法、装置、终端及存储介质(57)摘要本发明提供一种分类网络训练和目标重识别方法、装置、终端及存储介质，分类网络训练方法包括：将包含目标对象的第一样本图像输入到初始分类网络中；通过初始分类网络对第一样本图像进行特征提取，得到第一特征图；基于第一特征图上各位点对应的数据信息，生成第一样本图像中各区域对应的类别标签；基于第一特征图，预测第一样本图像中各区域对应的预测类别；基于第一样本图像中同一区域对应的类别标签和预测类别之间的误差，迭代训练初始分类网络，得到分类网络，分类网络用于对包含目标对象的图像中各区域的类别进行识别。本申请的分类网络训练方法不需要对第一样本图像进行标签标注，减少了工作量，提高了区域类别的检测准确率。CN115082748ACN115082748A权利要求书1/5页1.一种分类网络训练方法，其特征在于，所述分类网络训练方法包括：将包含目标对象的第一样本图像输入到初始分类网络中；通过所述初始分类网络对所述第一样本图像进行特征提取，得到第一特征图；基于所述第一特征图上各位点对应的数据信息，生成所述第一样本图像中各区域对应的类别标签；基于所述第一特征图，预测所述第一样本图像中各所述区域对应的预测类别；基于所述第一样本图像中同一所述区域对应的所述类别标签和所述预测类别之间的误差，迭代训练所述初始分类网络，得到分类网络，所述分类网络用于对包含所述目标对象的图像中各区域的类别进行识别。2.根据权利要求1所述的分类网络训练方法，其特征在于，所述基于所述第一特征图上各位点对应的数据信息，生成所述第一样本图像中各区域对应的类别标签，包括：对所述第一特征图进行特征提取，得到第二特征图；基于所述第二特征图上各位点在各通道的激活响应值，生成所述第一样本图像中各区域对应的类别标签。3.根据权利要求2所述的分类网络训练方法，其特征在于，所述基于所述第二特征图上各位点在各通道的激活响应值，生成所述第一样本图像中各区域对应的类别标签，包括：基于所述第二特征图中各所述位点在各所述通道中的激活响应值，生成各所述位点对应的特征向量；根据所有所述位点分别对应的所述特征向量生成所述第二特征图的特征信息；基于所述第二特征图的特征信息，生成所述第一样本图像中各区域对应的类别标签。4.根据权利要求3所述分类网络训练方法，其特征在于，所述基于所述第二特征图中各所述位点在各所述通道中的激活响应值，生成各所述位点对应的特征向量，包括：基于所述位点的各激活响应值对应的属性类别，确定所述位点的各个激活响应值对应的通道的通道标识；所述激活响应值对应的所述属性类别是基于所述激活响应值的大小确定的；根据所述位点的各个所述激活响应值对应的所述通道的通道标识符，生成所述位点的特征向量。5.根据权利要求4所述分类网络训练方法，其特征在于，所述属性类别包括目标类别和非目标类别，所述目标类别是所述位点的最大所述激活响应值对应的类别；所述非目标类别是所述位点的非最大所述激活响应值对应的类别；所述通道标识包括第一标识符和第二标识符；所述基于所述位点的各激活响应值对应的属性类别，确定所述位点的各个激活响应值对应的通道的通道标识，包括：响应于所述位点的所述激活响应值对应所述目标类别，则将所述位点的所述激活响应值对应的所述通道赋值为所述第一标识符；响应于所述位点的所述激活响应值对应所述非目标类别，则将所述位点的所述激活响2CN115082748A权利要求书2/5页应值对应的所述通道赋值为所述第二标识符；所述根据所述位点的各个所述激活响应值对应的所述通道的通道标识符，生成所述位点的特征向量，包括：基于所述位点对应在各所述通道中的所述第一标识符和所述第二标识符，确定所述位点的特征向量。6.根据权利要求5所述分类网络训练方法，其特征在于，所述基于所述第二特征图的特征信息，生成所述第一样本图像中各区域对应的类别标签，包括：基于所述第二特征图的特征信息，生成所述第一样本图像中各区域对应的特征图；所述区域的个数与所述通道的个数相同；基于所述区域对应的所述特征图中所述第一