训练属性识别模型的方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供一种训练属性识别模型的方法、装置、电子设备及存储介质，旨在获得精度更高的属性识别模型，从而提高属性识别准确性。所述方法包括：获得一组样本图像，将该组样本图像输入待训练的预设模型；针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像；针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值；根据每张样本图像各自对应的损失值，对所述预设模型进行更新；将经过多次更新后的预设模型确定为属性识别模型。

Methods, devices, electronic devices and storage media of training attribute recognition model

【技术实现步骤摘要】
训练属性识别模型的方法、装置、电子设备及存储介质
本申请实施例涉及计算机视觉
，具体而言，涉及一种训练属性识别模型的方法、装置、电子设备及存储介质。
技术介绍
在图像处理
中，属性识别任务是一种自动识别图片中物体的属性信息的任务。属性识别任务可应用于多种场景，例如针对行人图像的属性识别、针对车辆图像的属性识别等等。通常，在开展针对某一应用场景的属性识别任务之前，需要搜集与该应用场景相关的多张样本图像，并基于多张样本图像对预设模型进行训练更新，得到属性识别模型。然后利用该属性识别模型开展针对该应用场景的属性识别任务。利用相关技术训练预设模型时，首先针对样本图像的每个属性标记属性标签，该属性标签用于表征属性的实际值。然后将携带属性标签的样本图像输入预设模型，得到预设模型针对每个属性的预估结果。再根据各个属性的预估结果和属性标签，确定用于更新预设模型的损失值。最后利用该损失值，对该预设模型的参数进行更新。但是利用上述方式对预设模型进行训练，最终得到的属性识别模型的精度不高，利用其进行属性识别的识别准确性偏低。
技术实现思路
本申请实施例提供一种训练属性识别模型的方法、装置、电子设备及存储介质，旨在获得精度更高的属性识别模型，从而提高属性识别准确性。本申请实施例第一方面提供一种训练属性识别模型的方法，所述方法包括：获得一组样本图像，将该组样本图像输入待训练的预设模型，其中，该组样本图像中的每张样本图像携带多个属性标签；针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像；针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值；根据每张样本图像各自对应的损失值，对所述预设模型进行更新；将经过多次更新后的预设模型确定为属性识别模型。本申请实施例第二方面提供一种训练属性识别模型的装置，所述装置包括：样本图像获得模块，用于获得一组样本图像，将该组样本图像输入待训练的预设模型，其中，该组样本图像中的每张样本图像携带多个属性标签；正负样本确定模块，用于针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像；损失值确定模块，用于针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值；模型更新模块，用于根据每张样本图像各自对应的损失值，对所述预设模型进行更新；模型确定模块，用于将经过多次更新后的预设模型确定为属性识别模型。本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。采用本申请提供的训练属性识别模型的方法，在获得一组携带多个属性标签的样本图像后，针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从其余样本图像中确定该样本图像的正样本图像和负样本图像；并且针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值，从而根据每张样本图像各自对应的损失值，对所述预设模型进行更新。一方面，通过利用由正样本图像和负样本图像确定的损失值对预设模型进行更新，可以使最终获得的属性识别模型在进行特征提取时，两张图像的属性越相似，其之间特征距离越小；两张图像的属性越不相似，其之间的特征距离越大。该属性识别模型的精度更高，有利于提高属性识别准确性。另一方面，以属性标签(即真实属性)为依据确定正样本图像和负样本图像，即使某一其余样本图像与样本图像不是同一个对象(例如不是同一行人或者同一辆车)，也能在该其余样本图像与该样本图像的属性相似的情况下，将该其余样本图像确定为该样本图像的正样本图像。如此，可以在其余样本图像中不存在同一对象的情况下，也能为样本图像确定正样本图像。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提出的训练属性识别模型的方法的流程图；图2是本申请一实施例提出的预设模型的示意图；图3是本申请另一实施例提出的训练属性识别模型的方法的流程图；图4是本申请一实施例提出的多个类激活图的示意图；图5是本申请一实施例提出的预设模型的示意图；图6是本申请一实施例提出的训练属性识别模型的装置的示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。相关技术中，在开展针对某一应用场景的属性识别任务之前，需要搜集与该应用场景相关的多张样本图像，并基于多张样本图像对预设模型进行训练更新，得到属性识别模型。然后利用该属性识别模型开展针对该应用场景的属性识别任务。利用相关技术训练预设模型时，首先针对样本图像的每个属性标记属性标签，该属性标签用于表征属性的实际值。然后将携带属性标签的样本图像输入预设模型，得到预设模型针对每个属性的预估结果。再根据各个属性的预估结果和属性标签，确定用于更新预设模型的损失值(例如损失值loss)。最后利用该损失值，对该预设模型的参数进行更新。但是利用上述方式对预设模型进行训练，最终得到的属性识别模型的精度不高，利用其进行属性识别的识别准确性偏低。有鉴于此，本申请实施例提出：在获得一组携带多个属性标签的样本图像后，针对每张样本图像，以属性标签(即真实属性)为依据，从该组样本图像的其余样本图像中确定该样本图像的正样本图像和负样本图像，通过利用由正样本图像和负样本图像确定的损失值对预设模型进行更新，可以使最终获得的属性识别模型在进行特征提取时，两张图像的属性越相似，其之间特征距离越小；两张图像的属性越不相似，其之间的特征距离越大。该属性识别模型的精度更高，有利于提高属性识别准确性。参考图1，图1是本申请一实施例提出的训练属性识别模型的方法的流程图。如图1所示，该方法包括以下步骤：步骤S11：获得一组样本图像，将该组样本图像输入待训练的预设模型，其中，该组样本图像中的每张样本图像携带多个属性标签。由于本申请并不限定属性识别任务的具体应用场景，因此也不限本文档来自技高网...

【技术保护点】
1.一种训练属性识别模型的方法，其特征在于，所述方法包括：/n获得一组样本图像，将该组样本图像输入待训练的预设模型，其中，该组样本图像中的每张样本图像携带多个属性标签；/n针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像；/n针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值；/n根据每张样本图像各自对应的损失值，对所述预设模型进行更新；/n将经过多次更新后的预设模型确定为属性识别模型。/n

【技术特征摘要】
1.一种训练属性识别模型的方法，其特征在于，所述方法包括：
获得一组样本图像，将该组样本图像输入待训练的预设模型，其中，该组样本图像中的每张样本图像携带多个属性标签；
针对每张样本图像，根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像；
针对每张样本图像，基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值；
根据每张样本图像各自对应的损失值，对所述预设模型进行更新；
将经过多次更新后的预设模型确定为属性识别模型。


2.根据权利要求1所述的方法，其特征在于，所述根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像中确定该样本图像的正样本图像和负样本图像，包括：
将该样本图像的多个属性标签与所述一组样本图像中的每张其余样本图像的多个属性标签进行一对一地对比，以确定该样本图像与所述一组样本图像中的每张其余样本图像的属性相似度，其中，该样本图像与一张其余样本图像的属性相似度表征：该样本图像与该其余样本图像之间具有的相同属性标签的个数；
根据该样本图像与每张其余样本图像的属性相似度，将最大属性相似度所对应的其余样本图像确定为该样本图像的正样本图像，将最小属性相似度所对应的其余样本图像确定为该样本图像的负样本图像。


3.根据权利要求1所述的方法，其特征在于，所述属性识别模型用于提取图像特征，并基于提取的图像特征，对多个属性进行识别；所述基于该样本图像、该样本图像的正样本图像、以及该样本图像的负样本图像，确定该样本图像对应的损失值，包括：
根据所述属性识别模型针对该样本图像提取的图像特征，和所述属性识别模型针对该正样本图像提取的图像特征，确定该样本图像与该正样本图像之间的第一特征距离；
根据所述属性识别模型针对该样本图像提取的图像特征，和所述属性识别模型针对该负样本图像提取的图像特征，确定该样本图像与该负样本图像之间的第二特征距离；
根据所述第一特征距离和所述第二特征距离之间的差值，确定该样本图像对应的损失值。


4.根据权利要求1所述的方法，其特征在于，所述根据每张样本图像各自对应的损失值，对预设模型进行更新，包括：
根据所述一组样本图像包括的样本图像的数量，以及每张样本图像各自对应的损失值，确定多个损失值的平均值；
根据所述多个损失值的平均值，对所述预设模型进行更新。


5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先对多个属性进行分组，得到多个属性分组，每个属性分组中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近；
所述根据该样本图像的属性标签和该组样本图像中其余样本图像各自的属性标签，从所述其余样本图像...

【专利技术属性】
技术研发人员：亢君莲，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11