物体重识别系统的训练方法、物体重识别方法及相关设备技术方案

本发明专利技术公开一种物体重识别系统的训练方法、物体重识别方法及相关设备，以提高特征提取器的性能，从而提高使用该特征提取器进行物体重识别的准确性。方法包括：将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

【技术实现步骤摘要】
物体重识别系统的训练方法、物体重识别方法及相关设备
本专利技术涉及计算机深度学习领域，特别涉及一种物体重识别系统的训练方法及其装置、一种物体重识别方法及其装置、一种处理设备。
技术介绍
物体重识别技术在智能视频监控、机器人、自动驾驶等领域发挥着必不可少的作用。给定待检索物体图像，物体重识别技术旨在从不同相机拍摄到的图像中检索出与所述物体相同的相关图像。相机视角、物体姿态、遮挡等方面的影响使得物体重识别任务具有相当的挑战性。得益于深度学习技术的涌现，物体重识别技术在近几年发展迅速。目前的先进方法大多都基于深度学习，主要由两部分组成，即特征提取器和损失函数。特征提取器一般由卷积神经网络构成，损失函数则作为监督信号引导特征提取器的训练。因此，特征提取器的性能好坏直接影响着物体重识别的准确性，目前特征提取器存在性能较差的技术问题，以及存在使用该特征提取器进行物体重识别的精度较差的技术问题。
技术实现思路
本专利技术实施例第一方面，提供以下物体重识别系统的训练方法及其装置，以提高特征提取器的性能：一种物体重识别系统的训练方法，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，根据多组本文档来自技高网...

【技术保护点】
1.一种物体重识别系统的训练方法，其特征在于，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，根据多组训练样本图像依次对所述物体重识别系统进行以下训练：将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练...

【技术特征摘要】
1.一种物体重识别系统的训练方法，其特征在于，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，根据多组训练样本图像依次对所述物体重识别系统进行以下训练：将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。2.根据权利要求1所述的方法，其特征在于，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：将所述特征向量组进行规范化处理，得到第一特征向量组；将所述第一特征向量组进行转置，得到第二特征向量组；将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；对所述相似度矩阵进行规范化处理。3.根据权利要求1所述的方法，其特征在于，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；对所述第三特征向量组进行规范化处理，得到第四特征向量组；对所述第四特征向量组进行转置，得到第五特征向量组；采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；对所述第六特征向量组进行规范化处理，得到第七特征向量组；将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；对所述相似度矩阵进行规范化处理。4.一种物体重识别方法，其特征在于，在特征提取网络之后设置有随机游走模型，方法包括：将待搜索图像和图库中的图库图像输入到所述特征提取网络中，得到各待搜索图像和图库图像的特征向量；针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前M张图像，所述M张图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；将所述特征向量组与所述相似度矩阵相乘，得到M张图像的新特征向量；计算所述待搜索图像的特征向量分别与M张图像的新特征向量的相似度，将所述M张图像按照相似度从高到低的顺序进行重新排序，得到与所述待搜索图像对应的图像序列。5.根据权利要求4所述的方法，其特征在于，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：将所述特征向量组进行规范化处理，得到第一特征向量组；将所述第一特征向量组进行转置，得到第二特征向量组；将所述第一特征向量组与第二特征向量组相乘得到相似度矩阵；对所述相似度矩阵进行规范化处理。6.根据权利要求4所述的方法，其特征在于，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，具体包括：采用预置的第一非线性处理算法对所述特征向量组进行非线性处理，得到第三特征向量组；对所述第三特征向量组进行规范化处理，得到第四特征向量组；对所述第四特征向量组进行转置，得到第五特征向量组；采用预置的第二非线性处理算法对所述特征向量组进行非线性处理，得到第六特征向量组；对所述第六特征向量组进行规范化处理，得到第七特征向量组；将所述第五特征向量组与所述第七特征向量组相乘，得到相似度矩阵；对所述相似度矩阵进行规范化处理。7.根据权利要求4～6任一项所述的方法，其特征在于，所述特征提取器为预先通过权利要求1～3任一项所述的物体重识别系统的训练方法训练得到。8.一种物体重识别方法，其特征在于，所述方法包括：将待搜索图像和图库中的图库图像输入到特征提取网络中，得到各待搜索图像和图库图像的特征向量；所述特征提取网络为预先通过前述权利要求1～3任意一项所述的物体重识别系统的训练方法训练得到；针对每张待搜索图像，执行以下步骤：计算所述待搜索图像分别与各图库图像的特征的相似度，并将各图库图像按照相似度从高到低的顺序排列得到图像序列；从所述图像序列中选取前M张图像，得到与所述待搜索图像对应的图像序列。9.一种物体重识别系统的训练装置，其特征在于，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，所述装置包括：输入单元，用于将多组训练样本图像依次输入到训练单元；训练单元，用于根据接收到的当前组训练样本图像对所述物体重识别系统进行以下训练：将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；将所述特...

【专利技术属性】
技术研发人员：罗传琛，陈韫韬，王乃岩，
申请(专利权)人：上海图森未来人工智能科技有限公司，
类型：发明
国别省市：上海,31