一种模型训练方法、装置、设备及存储介质.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CN114120373A(43)申请公布日2022.03.01(21)申请号202210077004.4(22)申请日2022.01.24(71)申请人苏州浪潮智能科技有限公司地址215100江苏省苏州市吴中区吴中经济开发区郭巷街道官浦路1号9幢(72)发明人王鹏飞(74)专利代理机构北京集佳知识产权代理有限公司11227代理人柳虹(51)Int.Cl.G06V40/10(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)权利要求书2页说明书10页附图4页(54)发明名称一种模型训练方法、装置、设备及存储介质(57)摘要本申请公开了一种模型训练方法、装置、设备及存储介质，涉及计算机视觉领域，包括：构建JDE模式的预设网络模型，获取预设的目标检测数据集，通过预设增强技术对所述预设的目标检测数据集进行相应的操作，以得到扩展后数据集；基于目标检测与行人重识别设计损失函数，并通过所述损失函数将输出信号进行反向传播，以便对网络模型参数进行更新，得到目标网络模型；利用所述扩展后数据集驱动所述目标网络模型进行训练，以得到训练后网络模型。本申请通过数据增强技术扩充数据集，提升模型的训练素材，进而提高模型的训练精度和鲁棒性，将人脸识别的相关损失函数设计及使用方法迁移到行人重识别中，提高了人脸嵌入向量的鲁棒性和稳定性。CN114120373ACN114120373A权利要求书1/2页1.一种模型训练方法，其特征在于，应用于网络模型，包括：构建JDE模式的预设网络模型，获取预设的目标检测数据集，通过预设增强技术对所述预设的目标检测数据集进行相应的操作，以得到扩展后数据集；基于目标检测与行人重识别设计损失函数，并通过所述损失函数将输出信号进行反向传播，以便对网络模型参数进行更新，得到目标网络模型；利用所述扩展后数据集驱动所述目标网络模型进行训练，以得到训练后网络模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述构建JDE模式的预设网络模型，获取预设的目标检测数据集，通过预设增强技术对所述预设的目标检测数据集进行相应的操作，以得到扩展后数据集，包括：构建JDE模式的预设网络模型，获取预设的目标检测数据集；确定所述预设的目标检测数据集中所有目标类别的数目，并为所有所述目标类别按照预设规则设置标签，以得到所有目标标签；利用预设增强技术对所述所有目标标签对应的目标对象进行相应的操作，得到所有所述目标标签对应的所有扩展后目标对象，将所有所述扩展后目标对象进行整合，以得到扩展后数据集。3.根据权利要求1所述的模型训练方法，其特征在于，所述基于目标检测与行人重识别设计损失函数，包括：基于目标检测与行人重识别的特征参数设计对应损失函数；所述特征参数包含输出特点以及标签。4.根据权利要求3所述的模型训练方法，其特征在于，所述基于目标检测与行人重识别设计损失函数，包括：当所述目标检测与所述行人重识别的特征参数包含角度间隔时，确定所述损失函数为加性角度间隔损失函数；当所述目标检测与所述行人重识别的特征参数包含三元组时，确定所述损失函数为tripletloss函数；所述三元组包含锚点、正样本以及负样本。5.根据权利要求1所述的模型训练方法，其特征在于，所述通过所述损失函数将输出信号进行反向传播，以便对网络模型参数进行更新，得到目标网络模型，包括：通过所述损失函数将所述输出信号进行反向传播，接收到所述输出信号后，利用目标网络模型参数对所述网络模型参数进行更新，以得到目标网络模型。6.根据权利要求5所述的模型训练方法，其特征在于，所述通过所述损失函数将输出信号进行反向传播，以便对网络模型参数进行更新，得到目标网络模型之前，还包括：设置可学习的所述网络模型参数，并基于目标检测头的损失以及行人重识别头的损失确定对应的权重比例；基于所述权重比例对所述网络模型参数进行调整，以得到所述目标网络模型参数。7.根据权利要求1至6任一项所述的模型训练方法，其特征在于，所述利用所述扩展后数据集驱动所述目标网络模型进行训练，以得到训练后网络模型之后，还包括：利用预设测试数据集对所述训练后网络模型进行测试操作，以获取相应的测试结果；所述测试结果包含跟踪轨迹和所述预设测试数据集中所有帧中目标类匹配的准确性、所述预设测试数据集中所述目标类的ID切换次数、所述目标类的检测框与预设基准之间的距离2CN114120373A权利要求书2/2页重合度。8.一种模型训练装置，其特征在于，应用于网络模型，包括：数据集获取模块，用于构建JDE模式的预设网络模型，获取预设的目标检测数据集，通过预设增强技术对所述预设的目标检测数据集进行相应的操作，以得到扩展后数据集；