对象再识别的方法、装置和电子系统.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CN111178301A(43)申请公布日2020.05.19(21)申请号201911422988.X(22)申请日2019.12.30(71)申请人北京迈格威科技有限公司地址100000北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人刘磊(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人何少岩(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书14页附图6页(54)发明名称对象再识别的方法、装置和电子系统(57)摘要本发明提供了一种对象再识别的方法、装置和电子系统，包括，通过预先训练完成的网络模型，识别出待处理图像中，目标对象的特征数据；基于目标对象的特征数据，从除待处理图像以外的图像中识别目标对象。前述网络模型的网络结构从预设的综合网络中确定，该综合网络中包括多个搜索模块且每个搜索模块包括多层相互独立的搜索单元；网络模型的目标网络结构包括综合网络中每层搜索层中的一个搜索单元；该方式可以实现将粗粒度特征与细粒度特征相互融合，提高了特征粒度的丰富性，进而提高了对象再识别的准确率。CN111178301ACN111178301A权利要求书1/3页1.一种对象再识别的方法，其特征在于，所述方法包括：获取待处理图像；所述待处理图像中包含有待识别的目标对象；将所述待处理图像输入至预先训练完成的网络模型中，输出所述待处理图像中，所述目标对象的特征数据；基于所述目标对象的特征数据，从除所述待处理图像以外的图像中识别所述目标对象；其中，所述网络模型的目标网络结构从预设的综合网络中确定；所述综合网络包括多个搜索模块；每个所述搜索模块包括多层搜索层，每层所述搜索层包括多个相互独立的搜索单元；所述多个相互独立的搜索单元之间的参数不同；所述搜索单元的参数根据所述搜索单元中的卷积核尺寸、卷积层的通道扩展比例和数据处理方式中的一种或多种确定；所述网络模型的目标网络结构包括所述综合网络中每层所述搜索层中的一个搜索单元。2.根据权利要求1所述的方法，其特征在于，所述网络模型的目标网络结构，具体通过下述方式确定：从所述综合网络中确定多个初始网络结构；在所述综合网络中，基于预设的训练样本逐一训练所述多个初始网络结构；在训练过程中，每个所述初始网络结构在所述综合网络的当前参数基础上训练；所述多个初始网络结构训练结束后，从所述综合网络中确定目标网络结构。3.根据权利要求2所述的方法，其特征在于，从所述综合网络中确定目标网络结构的步骤，包括：从所述综合网络中确定多个备选网络；调整所述多个备选网络的网络结构，得到多个变异网络；根据所述多个备选网络和所述多个变异网络，确定所述目标网络结构。4.根据权利要求3所述的方法，其特征在于，从所述综合网络中确定多个备选网络的步骤，包括：从所述综合网络中随机选取多个第一网络结构；基于预设的验证样本逐一验证选取的所述多个第一网络结构，得到每个所述第一网络结构的准确率；根据每个所述第一网络结构的准确率，从选取的所述多个第一网络结构中确定多个备选网络。5.根据权利要求3所述的方法，其特征在于，根据所述多个备选网络和所述多个变异网络，确定所述目标网络结构的步骤，包括：基于预设的验证样本逐一验证所述多个备选网络和所述多个变异网络，得到每个所述备选网络和每个所述变异网络的准确率；根据每个所述备选网络和每个所述变异网络的准确率，从所述多个备选网络和所述多个变异网络中确定出更新的多个备选网络；继续执行调整所述多个备选网络的网络结构，得到多个变异网络的步骤，直至所述确定出更新的多个备选网络的次数达到预设的次数阈值；从最后一次确定出的多个备选网络中选取准确率最高的网络，将选取出的网络确定为2CN111178301A权利要求书2/3页所述目标网络结构。6.根据权利要求5所述的方法，其特征在于，根据每个所述备选网络和每个所述变异网络的准确率，从所述多个备选网络和所述多个变异网络中确定出更新的多个备选网络的步骤，包括：根据每个所述备选网络和每个所述变异网络的准确率，从所述多个备选网络和所述多个变异网络中确定出满足预设条件的更新的多个备选网络；其中，所述预设条件包括网络的计算复杂度低于预设的复杂度阈值，和/或，网络的推理时长低于预设的时长阈值。7.根据权利要求2-6任一项所述的方法，其特征在于，从所述综合网络中确定目标网络结构的步骤之后，所述方法还包括：基于预设的训练样本训练所述目标网络结构，直至所述目标网络结构对应的损失值收敛，得到训练后的所述目标网络结构。8.根据权利要求1-7任一项所述的方法，其特征在于，所述搜索单元包括依次连接的首层卷积层、至少一层中间卷积层、末层卷积层和