重识别模型增量训练方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种重识别模型增量训练方法及装置、电子设备和存储介质。所述方法包括：将待识别图像输入学生模型进行处理得到第一处理结果，将待识别图像输入教师模型进行处理得到第二处理结果，待识别图像包括历史图像和增量图像，教师模型根据历史图像训练得到；根据学生模型中分类层的输出结果和教师模型中分类层的输出结果，确定模拟损失；根据第一处理结果、待识别图像的实际标识和模拟损失，确定第一处理结果的损失；向学生模型反向传播第一处理结果的损失的梯度，以调整学生模型的参数。本公开实施例能够缩短重识别模型的训练时间，提高重识别模型的训练效率，训练得到的重识别模型的准确率高。

【技术实现步骤摘要】
重识别模型增量训练方法及装置、电子设备和存储介质
本公开涉及图像处理
，尤其涉及一种重识别模型增量训练方法及装置、电子设备和存储介质。
技术介绍
在图像识别的各种应用场景中各，可以利用重识别模型进行目标对象重识别。针对已经部署好的重识别模型，当有增量图像产生时，传统的重识别模型增量训练方法中，包括利用增量图像在内的所与图像重新训练重识别模型，使得训练所需的时间较长，训练得到的模型的参数也无法固定，训练得到的重识别模型的识别准确度低。
技术实现思路
本公开提出了一种重识别模型增量训练技术方案。根据本公开的一方面，提供了一种重识别模型增量训练方法，包括：将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。在一种可能的实现方式中，所述根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失，包括：根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimicloss函数，确定模拟损失。在一种可能的实现方式中，所述根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失，包括：根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。在一种可能的实现方式中，所述方法还包括：将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；根据所述聚类分析结果确定所述增量图像的实际标识。在一种可能的实现方式中，所述目标对象为行人，所述将所述增量图像划分为图像组，包括：识别增量图像中的行人，得到增量图像的识别结果，所述增量图像包括时间信息和地点信息；根据增量图像的识别结果、时间信息和地点信息，确定各所述行人的轨迹；将与目标行人的轨迹对应的增量图像确定为图像组，所述目标行人为任一所述行人。根据本公开的一方面，提供了一种重识别模型增量训练装置，所述装置包括：处理结果获取模块，用于将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；模拟损失确定模块，用于根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；处理结果损失确定模块，用于根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；反向传播模块，用于向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。在一种可能的实现方式中，所述模拟损失确定模块，包括：第一模拟损失确定子模块，用于根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimicloss函数，确定模拟损失。在一种可能的实现方式中，所述处理结果损失确定模块，包括：处理损失确定子模块，用于根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；权值损失确定子模块，用于根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；第一处理结果损失确定子模块，用于根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。在一种可能的实现方式中，所述装置还包括：图像组划分模块，用于将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；聚类分析模块，用于根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；标识模块，用于根据所述聚类分析结果确定所述增量图像的实际标识。在一种可能的实现方式中，所述目标对象为行人，所述图像组划分模块，用于：识别增量图像中的行人，得到增量图像的识别结果，所述增量图像包括时间信息和地点信息；根据增量图像的识别结果、时间信息和地点信息，确定各所述行人的轨迹；将与目标行人的轨迹对应的增量图像确定为图像组，所述目标行人为任一所述行人。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述任一项所述的方法。根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任一项所述的方法。在本公开实施例中，将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。当待识别图像中有增量图像时，能够利用学生模型和教师模型对已经部署的重识别模型进行更新改进，缩短重识别模型的训练时间，提高重识别模型的训练效率，训练得到的重识别模型的准确率高。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。图1示出根据本公开实施例的重识别模型增量训练方法的流程图；图2示出根据本公开实施例的重识别模型增量训练方法的流程图；图3示出根据本公开实施例的重识别模型增量训练方法的流程图；图4示出根据本公开实施例的重识别模型增量训练装置的框图；图5示出根据本公开实施例的重识别模型增量训练装置的框图；图6是根据一示例性实施例示出的一种电子设备的框图；图7是根据一示例性实施例示出的一种电子设备的框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中本文档来自技高网...

【技术保护点】
1.一种重识别模型增量训练方法，其特征在于，所述方法包括：将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。

【技术特征摘要】
1.一种重识别模型增量训练方法，其特征在于，所述方法包括：将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失，包括：根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimicloss函数，确定模拟损失。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失，包括：根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；根据所述聚类分析结果确定所述增量图像的实际标识。5.一种重识别模型增量训练装置，其特征在于，所述装置包括：处理结果获取模块，用于将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包...

【专利技术属性】
技术研发人员：蔡晓聪，侯军，伊帅，闫俊杰，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11