聚类网络训练和目标聚类方法、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CN115083003A(43)申请公布日2022.09.20(21)申请号202211014416.XG06N3/04(2006.01)(22)申请日2022.08.23G06N3/08(2006.01)(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)发明人邸德宁朱树磊王利松郝敬松庄瑞格殷俊(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.G06V40/16(2022.01)G06V10/762(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书3页说明书13页附图6页(54)发明名称聚类网络训练和目标聚类方法、装置、终端及存储介质(57)摘要本发明提供一种聚类网络训练和目标聚类方法、装置、终端及存储介质，聚类网络训练方法包括获取训练样本集，其中训练样本集包括包含目标对象的多个样本图像；基于聚类网络对各样本图像关联的第一K近邻图进行处理，得到第一K近邻图中的主节点和各近邻节点之间对应的连接边的类型预测结果；将连接边的类型预测结果以及连接边所连接的主节点和/或近邻节点的聚类难度系数代入损失函数，得到损失值，损失值的绝对值与所代入的聚类难度系数正相关；基于损失值对聚类网络进行迭代训练。本申请使聚类网络更重视聚类难度系数更大的样本图像的预测准确率，进而使聚类网络对于噪声数据的兼容能力得到提高，进而提高聚类网络的聚类准确率和召回率。CN115083003ACN115083003A权利要求书1/3页1.一种聚类网络训练方法，其特征在于，所述训练方法包括：获取训练样本集，所述训练样本集包括包含目标对象的多个样本图像，每个所述样本图像分别关联有第一K近邻图和聚类难度系数，在所述第一K近邻图中，以所关联的所述样本图像作为主节点，并以相似度最大的多个其他所述样本图像为近邻节点，所述主节点与所述近邻节点之间通过连接边进行连接，当所述主节点与所述近邻节点属于同一所述目标对象时，所述连接边为正边，否则所述连接边为负边，所述第一K近邻图的负边比越大，则对应的所述聚类难度系数越大；基于聚类网络对各所述样本图像关联的第一K近邻图进行处理，得到所述第一K近邻图中的所述主节点和各所述近邻节点之间对应的所述连接边的类型预测结果；所述连接边的类型预测结果用于表征所述连接边所连接的所述主节点和/或所述近邻节点属于同一目标对象的概率值；将所述连接边的所述类型预测结果、所述连接边所连接的所述主节点和/或所述近邻节点的所述聚类难度系数代入损失函数，得到损失值，所述损失值的绝对值与所代入的所述聚类难度系数正相关；基于所述损失值对所述聚类网络进行迭代训练。2.根据权利要求1所述的聚类网络训练方法，其特征在于，所述将所述连接边的所述类型预测结果、所述连接边所连接的所述主节点和/或所述近邻节点的所述聚类难度系数代入损失函数，包括：从所述连接边所连接的所述主节点和所述近邻节点的所述聚类难度系数选择最大值；将所述最大值代入所述损失函数。3.根据权利要求1所述的聚类网络训练方法，其特征在于，所述损失值的绝对值与所代入的所述聚类难度系数的幂函数正相关。4.根据权利要求1所述的聚类网络训练方法，其特征在于，所述将所述连接边的所述类型预测结果、所述连接边所连接的所述主节点和/或所述近邻节点的所述聚类难度系数代入损失函数，得到损失值，还包括：基于超参数、所述连接边所连接的所述主节点和所述近邻节点的所述聚类难度系数、所述聚类网络输出的所述概率值，确定所述损失值。5.根据权利要求1所述的聚类网络训练方法，其特征在于，所述聚类难度系数的确定方法包括：基于所述第一K近邻图中所述近邻节点的总数量、与所述主节点属于同一所述目标对象的所述近邻节点的数量，确定所述主节点的负边比，所述负边比作为所述聚类难度系数。6.一种目标聚类方法，其特征在于，所述目标聚类方法包括：基于获取的包含目标的多张待聚类图像，生成各所述待聚类图像的第二K近邻图；所述第二K近邻图中，以关联的所述待聚类图像作为主节点，并以相似度最大的多个其他所述待聚类图像为近邻节点，所述主节点与所述近邻节点之间通过连接边进行连接；采用聚类网络对所述第二K近邻图进行处理，确定所述第二K近邻图对应的所述主节点与各所述近邻节点之间的所述连接边的第一检测结果；所述聚类网络是通过上述权利要求1~5中任一项所述的聚类网络训练方法训练得到；基于各所述连接边的第一检测结果，对所述多张待聚类图像进行聚类。2CN115083003A权利要求书2/3页7.根据权利要求6所述的目标聚类方法，其特征在于，所述连接边的第一检测结果包括所述连接边的可信度；所述基于各所