神经网络训练及图像识别方法、装置、设备和存储介质制造方法及图纸

本公开涉及一种神经网络训练及图像识别方法、装置、设备和存储介质。所述训练方法包括：将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；将初始特征图通过第一初始识别神经网络模型，得到第一预测结果；将初始特征图通过第二初始识别神经网络模型，得到第二预测结果；根据第一预测结果和第二预测结果，更新初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。通过上述过程，可以使得训练后得到的特征提取神经网络模型在对目标对象进行特征提取时，兼具整体和局部的提取效果，从而增大了特征提取网络模型的网络容量、泛化能力以及提取精度。

Neural network training and image recognition methods, devices, devices and storage media

【技术实现步骤摘要】
神经网络训练及图像识别方法、装置、设备和存储介质
本公开涉及计算机
，尤其涉及一种神经网络的训练及图像识别方法、装置、设备和存储介质。
技术介绍
行人重识别是指给出一个行人的询问图片，需要在一个大规模的数据集中寻找到同一个人的所有图片。随着深度学习技术的发展，行人重识别可以通过神经网络来实现。然而，随着行人重识别任务愈加复杂，对神经网络的识别精度的要求愈高，如何提高神经网络的识别能力，成为一个亟待解决的问题。
技术实现思路
本公开提出了一种神经网络的训练方案。根据本公开的一方面，提供了一种神经网络的训练方法，包括：将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，其中，所述第一初始识别神经网络模型用于根据所述目标对象的整体特征进行识别；将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，其中，所述第二初始识别神经网络模型用于根据所述目标对象的局部特征进行识别；根据所述第一预测结果和本文档来自技高网...

【技术保护点】
1.一种神经网络的训练方法，其特征在于，包括：/n将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；/n将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，其中，所述第一初始识别神经网络模型用于根据所述目标对象的整体特征进行识别；/n将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，其中，所述第二初始识别神经网络模型用于根据所述目标对象的局部特征进行识别；/n根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。/n

【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括：
将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；
将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，其中，所述第一初始识别神经网络模型用于根据所述目标对象的整体特征进行识别；
将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，其中，所述第二初始识别神经网络模型用于根据所述目标对象的局部特征进行识别；
根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。


2.根据权利要求1所述的方法，其特征在于，所述将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，包括：
根据所述初始特征图，生成局部特征掩模；
根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果；
将所述降维结果作为所述第二预测结果。


3.根据权利要求2所述的方法，其特征在于，所述根据所述初始特征图，生成局部特征掩模，包括：
将所述初始特征图通过卷积层，得到卷积结果；
将所述卷积结果的值对应到预设值域内，得到局部特征掩模。


4.根据权利要求2或3所述的方法，其特征在于，所述根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果，包括：
通过所述局部特征掩模，对所述初始特征图进行加权均值池化，得到降维结果。


5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述第二初始识别神经网络模型的数量包括一个或两个以上，其中，
在所述第二初始识别神经网络模型的数量为两个以上的情况下，将所述初始特征图分别通过每个所述第二初始识别神经网络模型，得到两个以上的第二预测结果。


6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型，包括：
根据所述第一预测结果，对所述第一初始识别神经网络模型包括的第一初始权重进行反向梯度更新，得到更新后的第一权重和第一识别神经网络模型；
根据所述第二预测结果，对所述第二初始识别神经网络模型包括的第二初始权重进行反向梯度更新，得到更新后的第二权重和第二识别神经网络模型；
根据所述第一预测结果、第二预测结果、第一权重和第二权重，对所述初始特征提取神经网络模型进行反向梯度更新，得到训练后的特征提取神经网络模型。


7.根据权利要求6所述的方法，其特征在于，在所述第二初始神经网络模型的数量为两个以上的情况下，根据每个所述第二预测结果，分别对每个对应的所述第二初始神经网络模型包括的第二初始权重进行反向梯度更新，得到两个以上的更新后的第二权重和第二识别神经网络模型。


8.根据权利要求6或7所述的方法，其特征在于，所述方法包括：
在第一处理器中，将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，以及根据所述第一预测结果，对所述第一初始识别神经网络模型包括的第一初始权重进行反向梯度更新，得到更新后的第一权重和第一识别神经网络模型；
在第二处理器中，将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，以及根据所述第二预测结果，对所述第二初始识别神经网络模型包括的第二初始权重进行反向梯度更新，得到更新后的第二权重和第二识别神经网络模型；
在第三处理器中，将所述训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图，以及根据所述第一预测结果、第二预测结果、第一权重和第二权重，对所述初始特征提取神经网络模型进行反向梯度更新，得到训练后的特征提取神经网络模型。


9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
在所述第二初始神经网络模型的数量为两个以上的情况下，分别在不同的第二处理器中，将所述初始特征图分别通过每个第二初始识别神经网络模型，得到两个以上的第二预测结果，以及根据每个所述第二预测结果，分别对每个所述第二初始识别神经网络模型包括的第二初始权重进行反向梯度更新，得到两个以上更新后的第二权重和第二识别神经网络模型。


10.一种图像识别方法，其特征在于，所述方法包括：
获取待识别图像；
根据如权利要求1至9中任意一项所述的训练后的特征提取神经网络模型，对所述待识别图像进行识别。


11.根据权利要求10所述的方法，其特征在于，所述根据如权利要求1至9中任意一项所述的训练后的特征提取神经网络模型，对所述待识别图像进行识别，包括：

【专利技术属性】
技术研发人员：兰宇时，张学森，
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