模型的训练方法、目标跟踪方法、装置、设备和存储介质.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CN113962383A(43)申请公布日2022.01.21(21)申请号202111203206.0(22)申请日2021.10.15(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人路金诚张伟谭啸孙昊(74)专利代理机构北京品源专利代理有限公司11332代理人初春(51)Int.Cl.G06N3/08(2006.01)G06V20/54(2022.01)G06T7/246(2017.01)权利要求书3页说明书10页附图5页(54)发明名称模型的训练方法、目标跟踪方法、装置、设备和存储介质(57)摘要本公开提供了一种模型的训练方法、目标跟踪方法、装置、设备和存储介质，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术。目标处理模型的训练方法包括：获取第一样本图像；所述第一样本图像包括至少两个样本目标；对所述第一样本图像进行变换，得到第二样本图像；所述第一样本图像和所述第二样本图像中的样本目标相同；基于目标重识别子模型，确定第一样本图像和第二样本图像中样本目标的特征预测编码；采用样本目标的特征预测编码，更新所述目标重识别子模型。本公开方案提升了目标处理模型的训练效率。CN113962383ACN113962383A权利要求书1/3页1.一种目标处理模型的训练方法，包括：获取第一样本图像；所述第一样本图像包括至少两个样本目标；对所述第一样本图像进行变换，得到第二样本图像；所述第一样本图像和所述第二样本图像中的样本目标相同；基于目标重识别子模型，确定第一样本图像和第二样本图像中样本目标的特征预测编码；采用样本目标的特征预测编码，更新所述目标重识别子模型。2.根据权利要求1所述的方法，其中，采用样本目标的特征预测编码，更新所述目标重识别子模型包括：根据样本目标的特征预测编码，确定相同目标之间的第一特征亲和度和不同目标之间的第二特征亲和度，并根据所述第一特征亲和度和所述第二特征亲和度，确定重识别损失函数；采用重识别损失函数，更新所述目标重识别子模型。3.根据权利要求2所述的方法，其中，根据样本目标的特征预测编码，确定相同目标之间的第一特征亲和度和不同目标之间的第二特征亲和度，并根据所述第一特征亲和度和所述第二特征亲和度，确定重识别损失函数，包括：其中，Lembedding表示重识别损失函数，B表示样本图像中所有样本目标的特征预测编码的集合，bi表示集合中任一个样本目标的特征预测编码，bp表示集合中与bi为不同位置的同一样本目标的特征预测编码，bk表示集合中与bi为不同样本目标的特征预测编码，m为常数阈值。4.根据权利要求1所述的方法，所述目标重识别子模型属于目标跟踪模型，所述目标跟踪模型还包括目标检测子模型；所述方法还包括：基于所述目标检测子模型，预测第一样本图像和第二样本图像中样本目标的检测框参数；根据样本目标的检测框预测参数，和样本目标的检测框真实参数，计算检测损失值；采用所述检测损失值，更新所述目标检测子模型。5.根据权利要求1所述的方法，所述对所述第一样本图像进行变换，得到第二样本图像，包括：对所述第一样本图像进行翻转、平移或缩放，得到所述第二样本图像。6.根据权利要求1所述的方法，还包括：对所述第一样本图像或所述第二样本图像中的任一样本目标进行复制与移位处理，使得所述第一样本图像或所述第二样本图像中包括多个处于不同位置的同一样本目标。7.根据权利要求1所述的方法，其中，第一样本图像中样本目标未标注有特征实际编码。8.一种目标跟踪方法，包括：基于目标处理模型确定当前视频帧图像中每个检测目标的特征编码；其中，所述目标2CN113962383A权利要求书2/3页处理模型是通过权利要求1‑7中任一项模型训练方法训练得到；将所述每个检测目标的特征编码与历史视频帧图像中的历史检测目标的特征编码进行匹配。9.根据权利要求8所述的方法，其中，基于目标处理模型确定当前视频帧图像中每个检测目标的特征编码，包括：将所述当前视频帧图像的特征图输入到所述目标处理模型的目标检测子模型中，并根据所述目标检测子模型的输出得到每个检测目标的检测框参数；将所述当前视频帧图像的特征图输入到所述目标处理模型的目标重识别子模型中，根据所述目标重识别子模型的输出得到编码特征图；根据每个检测目标的检测框参数和所述编码特征图，确定每个检测目标对应的特征编码。10.根据权利要求8所述的方法，其中，将所述每个检测目标的特征编码与历史视频帧图像中的历史检测目标的特征编码进行匹配，包括：通过级联匹配的方式，对所述每个检测目标的特征编码与历史视频帧图像中的历史检测目标的特征编码进行匹配。11.一种目标处理模型的训练装置，包括：样本获取模块，用于获取第一