行人重识别模型的训练方法、装置、计算设备及存储介质.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CN113936302A(43)申请公布日2022.01.14(21)申请号202111295755.5G06K9/62(2022.01)(22)申请日2021.11.03(71)申请人厦门市美亚柏科信息股份有限公司地址361000福建省厦门市思明区软件园二期观日路12号102-402单元(72)发明人林修明周成祖朱海勇袁泉毕永辉陈子沣(74)专利代理机构厦门福贝知识产权代理事务所(普通合伙)35235代理人郭涵炜(51)Int.Cl.G06V40/10(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)G06V10/762(2022.01)权利要求书3页说明书10页附图4页(54)发明名称行人重识别模型的训练方法、装置、计算设备及存储介质(57)摘要本发明公开一种行人重识别模型的训练方法、装置、计算设备及存储介质，该方法包括：获取第一行人重识别训练数据集所述第一行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果得到第一损失函数所述第一行人重识别训练数据集进行处理得到第二行人重识别训练数据集所述第二行人重识别训练数据集输入远程监督网络进行处理，并根据处理结果得到第二损失函数；所述第一损失函数和第二损失函数所述预设的行人重识别模型，得到目标行人重识别模型。根据本发明实施例通过增加监督网络提供监督信息来实现不增加识别网络复杂度的前提下，扩充训练样本数量的同时也有效提升了行人重识别网络的识别性能。CN113936302ACN113936302A权利要求书1/3页1.一种行人重识别模型的训练方法，其特征在于，包括：获取第一行人重识别训练数据集，所述第一行人重识别训练数据集包括至少两个不同的训练图像集；将所述第一行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果计算第一损失函数；对所述第一行人重识别训练数据集进行处理得到第二行人重识别训练数据集；将所述第二行人重识别训练数据集输入监督网络进行处理，并根据处理结果计算第二损失函数；根据所述第一损失函数和第二损失函数的计算结果调整所述预设的行人重识别模型，得到目标行人重识别模型。2.根据权利要求1所述的方法，其特征在于，所述监督网络包括：预分类模块，用于使用预训练的分类模型从输入的所述第二行人重识别训练数据集提取图像特征；降维模块，用于对所述分类模提取的图像特征进行降维处理；聚类模块，用于对降维后的图像特征进行聚类处理，以使属于同一行人的图像特征归到一类；重构模块，用于利用反卷积网络根据所述聚类模块的聚类中心进行重构，得到重构图像。3.根据权利要求2所述的方法，其特征在于，所述第二损失函数包括聚类损失函数和重构损失函数。4.根据权利要求3所述的方法，其特征在于，所述聚类损失函数为：Lrim＝R(θ)‑λ[H(Y)‑H(Y|X)],其中，R(θ)是正则项，λ是权重因子，H(Y)和H(Y|X)分别代表熵和条件熵，y＝softmaxθ(x)x为输入的特征向量。5.根据权利要求3所述的方法，其特征在于，所述重构损失函数为：其中，Xj代表输入图像中属于类别j的集合，rj是类别j的聚类中心的向量表示，D代表所使用的反卷积神经网络。2CN113936302A权利要求书2/3页G代表所使用的预训练分类模型。6.根据权利要求3‑5中的任一项所述的方法，其特征在于，还包括：根据所述聚类结果计算所述聚类损失函数，并根据所述聚类损失函数的计算结果调整所述聚类模块；根据所述重构结构计算所述重构损失函数，并根据所述重构损失函数的计算结果调整所述重构模块。7.一种行人重识别方法，其特征在于，包括：获取待识别的行人图像；利用权利要求1‑6中的任一项所述的训练方法训练的目标行人重识别模型进行行人重识别。8.一种行人重识别模型的训练装置，其特征在于，包括：第一数据获取模块，用于获取第一行人重识别训练数据集，所述第一行人重识别训练数据集包括至少两个不同的训练图像集；第一训练模块，用于将所述第一行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果计算第一损失函数；第二数据获取模块，用于对所述第一行人重识别训练数据集进行处理得到第二行人重识别训练数据集；第二训练模块，用于将所述第二行人重识别训练数据集输入监督网络进行处理，并根据处理结果计算第二损失函数；调整模块，用于根据所述第一损失函数和第二损失函数的计算结果调整所述预设的行人重识别模型，得到目标行人重识别模型。9.根据权利要求8所述的装置，其特征在于，所述监督网络包括：预分类模块，用于使用预训练的分类模型从输入的所述第二行人重识别训练数据集提取图像特征；降维模块，用于对所述分类模提取的图像特征进行降维处理；聚类模块