【技术实现步骤摘要】
对象再识别方法、装置、存储介质及计算机设备
本申请涉及图像处理
，尤其涉及一种对象再识别方法、装置、存储介质及计算机设备。
技术介绍
近些年来，在人工智能领域，使用领域自适应策略来解决图像的识别、分类、检测等任务成为热点。具体应用例如对象(如行人、车辆等)的再识别(re-identification，re-ID)等。现有技术中，通常采用伪标签(Pseudo-Labelling)技术实现跨领域的对象再识别，即通过对源域图像数据添加对应的真实标签，并使用源域图像数据对网络进行预训练，再使用预训练后的网络对目标域图像数据进行聚类生成伪标签，最后使用带有伪标签的图像数据对网络进行优化，得到最终的网络。现有技术在对网络进行优化时，仅用到目标域中带有伪标签的图像数据，而丢弃了不包含在聚类中的离群值，然而，离群值可能是困难但有价值的样本图像数据，从而限制了网络的聚类性能，进而可能对网络的聚类结果产生一定影响。
技术实现思路
本申请提供一种对象再识别方法、装置、存储介质及计算机设备，...
【技术保护点】
1.一种对象再识别方法，其特征在于，包括：/n获取预训练的再识别网络；/n获取待识别图像；/n通过所述再识别网络对所述待识别图像进行再识别处理，得到所述待识别图像中目标对象的再识别结果；/n其中，所述再识别网络的训练图像数据至少包括第一聚类图像数据以及非聚类实例图像数据，所述第一聚类图像数据和所述非聚类实例图像数据为由所述再识别网络对应的初始网络对第一图像数据集进行聚类处理得到，所述第一图像数据集中的图像数据不包含真实聚类标签。/n
【技术特征摘要】
1.一种对象再识别方法，其特征在于，包括：
获取预训练的再识别网络；
获取待识别图像；
通过所述再识别网络对所述待识别图像进行再识别处理，得到所述待识别图像中目标对象的再识别结果；
其中，所述再识别网络的训练图像数据至少包括第一聚类图像数据以及非聚类实例图像数据，所述第一聚类图像数据和所述非聚类实例图像数据为由所述再识别网络对应的初始网络对第一图像数据集进行聚类处理得到，所述第一图像数据集中的图像数据不包含真实聚类标签。
2.根据权利要求1所述的方法，其特征在于，所述再识别网络的训练图像数据还包括第二图像数据集，所述第二图像数据集中的第二聚类图像数据包含真实聚类标签；
所述第二图像数据集所在的图像数据域与所述第一图像数据集所在的图像数据域不同。
3.根据权利要求2所述的方法，其特征在于，所述获取预训练的再识别网络之前，还包括：
获取所述初始网络；
获取所述训练图像数据；
通过所述训练图像数据对所述初始网络进行训练，得到所述再识别网络。
4.根据权利要求3所述的方法，其特征在于，所述获取所述训练图像数据，包括：
获取通过所述初始网络对所述第一图像数据集进行聚类处理得到的初始聚类结果；
对所述初始聚类结果进行再聚类处理，得到所述第一聚类图像数据以及所述非聚类实例图像数据。
5.根据权利要求4所述的方法，其特征在于，所述初始聚类结果包括初始聚类图像数据；
所述对所述初始聚类结果进行再聚类处理，得到所述第一聚类图像数据以及所述非聚类实例图像数据，包括：
根据图像特征距离，减少所述初始聚类图像数据中第一当前集群的图像数据数量，得到第二当前集群；
确定所述第二当前集群的密集指数，所述密集指数为所述第二当前集群的图像数据数量与所述第一当前集群的图像数据数量的比值；
在所述密集指数达到第一预设阈值时，通过所述第二当前集群替换所述第一当前集群，得到所述第一聚类图像数据；
将减少的图像数据更新为属于非聚类实例图像数据。
6.根据权利要求5所述的方法，其特征在于，所述初始聚类结果还包括初始非聚类图像数据；
所述对所述初始聚类结果进行再聚类处理，得到所述第一聚类图像数据以及所述非聚类实例图像数据，包括：
根据图像特征距离，在所述初始聚类图像数据的第三当前集群中增加其他集群的图像数据和/或所述初始非聚类图像数据中的图像数据，得到第四当前集群，所述其他集群为所述初始聚类图像数据中与所述第三当前集群不同的集群；
确定所述第四当前集群的独立指数；所述独立指数为所述第三当前集群的图像数据数量与所述第四当...
【专利技术属性】
技术研发人员：葛艺潇，陈大鹏，朱烽，赵瑞，李鸿升，
申请(专利权)人：商汤集团有限公司，
类型：发明
国别省市：中国香港;81
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。