属性信息的确定方法、装置、存储介质及电子装置.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CN114219073A(43)申请公布日2022.03.22(21)申请号202111496567.9(22)申请日2021.12.08(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)发明人刘天赐程博(74)专利代理机构北京康信知识产权代理有限责任公司11240代理人张丹红(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2022.01)权利要求书2页说明书11页附图7页(54)发明名称属性信息的确定方法、装置、存储介质及电子装置(57)摘要本发明实施例提供了一种属性信息的确定方法、装置、存储介质及电子装置，其中，该方法包括：使用训练后的目标网络模型目标图像，以确定目标图像中包括的目标对象的目标属性信息；其中，目标网络模型是利用多组训练数据通过如下方式训练初始网络模型得到的：通过初始网络模型分析每组训练数据中包括的训练图像，以确定训练图像中包括的训练对象的预测位置信息；基于预测位置信息确定预测极坐标参数；基于每组训练数据中包括的训练对象的标签信息中包括的标签位置信息确定标签极坐标参数；基于预测极坐标参数以及标签极坐标参数确定初始网络模型的位置损失值，基于位置损失值更新初始网络模型的网络参数，得到目标网络模型。CN114219073ACN114219073A权利要求书1/2页1.一种属性信息的确定方法，其特征在于，包括：使用训练后的目标网络模型分析目标图像，以确定目标图像中包括的目标对象的目标属性信息；其中，所述目标网络模型是利用多组训练数据通过如下方式训练初始网络模型得到的：通过所述初始网络模型分析每组所述训练数据中包括的训练图像，以确定所述训练图像中包括的训练对象的预测位置信息；基于所述预测位置信息确定预测极坐标参数；基于每组所述训练数据中包括的所述训练对象的标签信息中包括的标签位置信息确定标签极坐标参数；基于预测极坐标参数以及所述标签极坐标参数确定所述初始网络模型的位置损失值，基于所述位置损失值更新所述初始网络模型的网络参数，得到所述目标网络模型。2.根据权利要求1所述的方法，其特征在于，使用训练后的目标网络模型分析目标图像，以确定目标图像中包括的目标对象的目标属性信息包括：使用所述目标网络模型确定所述目标图像的目标特征；使用所述目标网络模型对所述目标特征进行采样处理，得到多个特征；融合多个所述特征，得到融合特征；基于所述融合特征确定所述目标属性信息。3.根据权利要求2所述的方法，其特征在于，基于所述融合特征确定所述目标属性信息包括：基于所述融合特征确定所述目标对象在所述目标图像中的图像区域；基于所述图像区域以及所述融合特征确定所述目标属性信息。4.根据权利要求2所述的方法，其特征在于，使用所述目标网络模型对所述目标特征进行采样处理，得到多个特征包括：对所述目标特征进行N次下采样处理，得到N+1个不同尺度的第一特征，将所述第一特征中包括的最后一个特征进行所述N次上采样处理，得到N+1个不同尺度的第二特征；融合多个所述特征，得到融合特征包括：将所述第一特征与所述第二特征中包括的尺度相同的特征进行融合，得到所述融合特征。5.根据权利要求1所述的方法，其特征在于，基于所述预测位置信息确定预测极坐标参数包括：确定所述预测位置信息中包括的所述训练对象的预测中心点坐标，以及预测顶点坐标，基于所述预测中心点坐标，以及所述预测顶点坐标确定所述训练对象的所述预测极坐标参数；基于所述训练对象的标签位置信息确定标签极坐标参数包括：确定所述标签位置信息中包括的所述训练对象的标签中心点坐标以及标签顶点坐标,基于所述标签中心点坐标，以及所述标签顶点坐标确定所述训练对象的标签极坐标参数。6.根据权利要求5所述的方法，其特征在于，基于预测极坐标参数以及所述标签极坐标参数确定所述初始网络模型的位置损失值包括：基于所述预测中心点坐标以及所述标签中心点坐标确定中心点损失值；基于所述预测极坐标参数以及所述标签极坐标参数确定所述极坐标参数损失值；将所述中心点损失值与所述极坐标参数损失值的和确定为所述位置损失值。7.根据权利要求1所述的方法，其特征在于，利用多组训练数据训练初始网络模型还包括：2CN114219073A权利要求书2/2页确定所述标签位置信息对应的目标区域的区域特征；将所述区域特征输入至所述初始网络模型中，以识别所述区域特征中包括的预测属性信息；基于所述预测属性信息与所述标签信息中包括的所述训练对象的标签属性信息确定所述初始网络模型的属性损失值；基于所述属性损失值调整所述初始网络模型的所述网络参数。8.根据权利要求7所述的方法，其特征在于，确定所述标签位置信息对应的目标区域