目标识别模型训练方法、装置、设备以及存储介质制造方法及图纸

本申请实施例公开了目标识别模型训练方法、装置、设备以及存储介质，涉及人工智能技术领域。该方法的一具体实施方式包括：获取训练样本集，其中，训练样本集中的训练样本包括样本目标图像和样本目标特征；基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。该实施方式提供了一种基于图卷积的目标识别技术，利用图卷积方法对特征空间进行优化，能够更有效地使类间距离增大而类内距离减小，从而显著提升了目标识别模型的性能。

【技术实现步骤摘要】
目标识别模型训练方法、装置、设备以及存储介质
本申请实施例涉及计算机
，具体涉及人工智能

技术介绍
目标识别技术是指从图像或视频中识别或者比对出目标的技术。随着人工智能的发展，目标识别是计算机视觉和数字图像处理的一个热门方向，广泛应用于金融、安防、自动驾驶、机器人导航、智能视频监控等诸多领域，极大地方便了人们的生活。目标识别的当前主流方式是比对目标特征，因此需要学习出判别性强的特征。传统的特征学习方法主要包括以下三种：其一，基于度量学习损失函数的特征学习方法，包括比对损失函数(contrastiveloss)、三元组损失函数(tripletloss)等；其二，基于softmax与交叉熵损失函数以及其变种的特征学习方法，包括sphereface、arcface等；其三，前两种方法的混合，首先利用softmax与交叉熵损失函数进行训练，然后利用度量学习损失函数进行微调。
技术实现思路
本申请实施例提出了目标识别模型训练方法、装置、设备以及存储介质。第一方面，本申请实施例提出了一种目标识别模型训练方本文档来自技高网...

【技术保护点】
1.一种目标识别模型训练方法，包括：/n获取训练样本集，其中，所述训练样本集中的训练样本包括样本目标图像和样本目标特征；/n基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；/n构建深度模型，以及基于所述有符号邻接矩阵构建图卷积神经网络；/n利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型。/n

【技术特征摘要】
1.一种目标识别模型训练方法，包括：
获取训练样本集，其中，所述训练样本集中的训练样本包括样本目标图像和样本目标特征；
基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；
构建深度模型，以及基于所述有符号邻接矩阵构建图卷积神经网络；
利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型。


2.根据权利要求1所述的方法，其中，所述基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵，包括：
利用邻近算法对所述训练样本集建立邻接关系；
基于所述邻接关系和所述训练样本集中的训练样本之间的样本目标特征关系，构建所述有符号邻接矩阵。


3.根据权利要求2所述的方法，其中，所述基于所述邻接关系和所述训练样本集中的训练样本之间的样本目标特征关系，构建所述有符号邻接矩阵，包括：
对于所述训练样本集中存在邻接关系的两个训练样本，若所述两个训练样本的样本目标特征属于同一类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为正，且值为所述两个训练样本的样本目标特征的余弦值的倒数，若所述两个训练样本的样本目标特征属于不同类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为负，且值为所述两个训练样本的样本目标特征的余弦值的倒数。


4.根据权利要求3所述的方法，其中，所述基于所述有符号邻接矩阵构建图卷积神经网络，包括：
基于所述有符号邻接矩阵生成度矩阵，其中，所述度矩阵是对角矩阵，且每行对角上的元素等于所述有符号邻接矩阵的每行元素的绝对值的和；
基于所述有符号邻接矩阵和所述度矩阵更新所述图卷积神经网络输出的特征图。


5.根据权利要求4所述的方法，其中，所述基于所述有符号邻接矩阵和所述度矩阵更新所述图卷积神经网络输出的特征图，包括：
利用所述度矩阵对所述有符号邻接矩阵归一化，生成拉普拉斯矩阵；
使用所述拉普拉斯矩阵更新所述图卷积神经网络输出的特征图。


6.根据权利要求5所述的方法，其中，所述利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型，包括：
对于所述训练样本集中的训练样本，将该训练样本中的样本目标图像输入至所述深度模型，输出所述深度模型提取的目标特征；
将所述深度模型提取的目标特征输入至所述图卷积神经网络，输出所述图卷积神经网络提取的目标特征；
将所述图卷积神经网络提取的目标特征和该训练样本中的样本目标特征输入至分类损失函数，得到分类损失；
基于所述分类损失更新所述深度模型和所述图卷积神经网络的参数至收敛，得到所述目标识别模型。


7.根据权利要求6所述的方法，其中，所述将所述深度模型提取的目标特征输入至所述图卷积神经网络，输出所述图卷积神经网络提取的目标特征，包括：
对于所述图卷积神经网络的当前层，将所述当前层的上一层输出的特征图、所述拉普拉斯矩阵与所述当前层的权重矩阵相乘，得到所述当前层输出的特征图。


8.根据权利要求1-7之一所述的方法，其中，所述方法还包括：
将预测目标图像输入至所述目标识别模型中的所述深度模型，输出所述深度模型提取的预测目标特征；
将所述深度模型提取的预测目标特征输入至所述目标识别模型中的所述图卷积神经网络，输出所述图卷积神经网络提取的预测目标特征；
将所述图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，基于比对结果确定所述预测图像中的预测目标的类别，其中，所述目标信息集合中的目标信息包括目标特征和目标类别。


9.一种目标识别模型训练装置，包括：
样本获取模块，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括样本目标图像和样本目标特征；
矩阵构建模块，被配置成基于所述训练样本集中的训练样本之间的样本目标特征关...

【专利技术属性】
技术研发人员：余席宇，张刚，韩钧宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11