特征提取模型训练、目标重识别方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115063604A(43)申请公布日2022.09.16(21)申请号202210941799.9(22)申请日2022.08.08(71)申请人中科视语（北京）科技有限公司地址102300北京市门头沟区石龙经济开发区永安路20号3号楼A-6193室(72)发明人王金桥郭海云凃鸣非(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师吴斌(51)Int.Cl.G06V10/44(2022.01)G06V10/764(2022.01)权利要求书3页说明书12页附图4页(54)发明名称特征提取模型训练、目标重识别方法及装置(57)摘要本发明涉及计算机视觉技术领域，本发明提供一种特征提取模型训练、目标重识别方法及装置，所述训练方法包括：将源域图像以及目标域图像分别输入至特征提取模型的初始模型，得到源域特征以及目标域特征；将目标域特征以及源域特征分别输入至域分类器的初始模型，得到目标域图像相对于源域图像分布的梯度以及目标域预测标签；基于梯度对目标域特征进行特征增强，得到目标域增强特征；基于目标域特征与目标域增强特征之间的差异、目标域簇类特征与目标域特征之间的差异以及实际域标签与预测域标签之间的差异，对特征提取模型的初始模型进行参数迭代，得到特征提取模型。本发明提高了特征提取模型的泛化性能，且保证了在目标域下的特征提取精度。CN115063604ACN115063604A权利要求书1/3页1.一种特征提取模型训练方法，其特征在于，包括：将源域图像以及目标域图像分别输入至特征提取模型的初始模型，由所述特征提取模型的初始模型分别对所述源域图像和所述目标域图像进行特征提取，得到源域特征以及目标域特征；将所述目标域特征以及所述源域特征分别输入至域分类器的初始模型，由所述域分类器的初始模型对所述源域特征求偏导，得到所述目标域图像相对于源域图像分布的梯度，以及对所述目标域特征进行域标签预测，得到所述目标域图像的预测域标签；基于所述梯度，对所述目标域特征进行特征增强，得到目标域增强特征；基于所述目标域特征与所述目标域增强特征之间的差异、目标域簇类特征与所述目标域特征之间的差异以及所述目标域图像的实际域标签与所述预测域标签之间的差异，对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型；所述目标域簇类特征指与所述目标域特征同类别的簇类特征。2.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述基于所述目标域特征与所述目标域增强特征之间的差异、目标域簇类特征与所述目标域特征之间的差异以及所述目标域图像的实际域标签与所述预测域标签之间的差异，对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型，包括：基于所述目标域特征与所述目标域增强特征之间的差异，确定样本级损失；基于所述目标域簇类特征与所述目标域特征之间的差异，确定簇类损失；基于所述实际域标签与所述预测域标签之间的差异，确定对抗损失；基于所述样本级损失，所述簇类损失以及所述对抗损失，确定模型损失，并基于所述模型损失对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型。3.根据权利要求2所述的特征提取模型训练方法，其特征在于，所述样本级损失基于如下公式确定：其中，表示所述样本级损失，表示所述目标域特征，表示第个源域图像的目标域增强特征，表示第类簇类特征，表示网络超参数，表示源域图像的数量，表示目标域图像的数量。4.根据权利要求2所述的特征提取模型训练方法，其特征在于，所述簇类损失基于如下公式确定：其中，表示所述簇类损失，表示第类目标域簇类特征，表示所述目标域特征，表示与所述目标域特征同类别的目标域簇类特征，表示网络超参数，表示目标域图像的数量。2CN115063604A权利要求书2/3页5.根据权利要求2所述的特征提取模型训练方法，其特征在于，所述目标域增强特征基于如下公式确定：其中，表示所述目标域增强特征，表示所述目标域特征，表示所述梯度，表示所述对抗损失。6.根据权利要求1至5任一项所述的特征提取模型训练方法，其特征在于，所述目标域簇类特征基于如下步骤确定：基于目标域特征，以及不同类别簇类特征，确定所述目标域特征与各类别簇类特征之间的相似度；将最大相似度对应的类别簇类特征作为所述目标域簇类特征。7.根据权利要求6所述的特征提取模型训练方法，其特征在于，所述将最大相似度对应的类别簇类特征作为所述目标域簇类特征，之后还包括：基于所述目标域特征，更新所述目标域簇类特征。8.一种目标重识别方法，其特征在于，包括：确定查询图像和检索图像库中的多个检索图像；将所述查询图像输入至特征提取模型，得到所述特征提取模型输出的查询图像特征；将各检索图像输入至特征提取模型，得到所述特征提取模型输出的各检索图像