模型训练方法、行人属性识别方法和相关装置制造方法及图纸

本发明专利技术的实施例提供了一种模型训练方法、行人属性识别方法和相关装置，该方法包括获取训练样本数据；将训练样本数据输入预先建立的行人属性识别模型，行人属性识别模型包括共享参数网络、人体分割网络和行人属性分类网络；将训练样本数据输入共享参数网络进行特征提取，得到共享参数；将共享参数输入人体分割网络进行语义分割，获得人体分割结果；将共享参数和人体分割结果输入行人属性分类网络进行行人属性分类，获得分类结果；依据人体分割结果对共享参数网络和人体分割网络进行参数更新，依据分类结果对共享参数网络和行人属性分类网络进行参数更新，得到训练后的行人属性识别模型。其能够快速的训练模型，并使行人属性识别获得更优的效果。

【技术实现步骤摘要】
模型训练方法、行人属性识别方法和相关装置
本专利技术涉及机器学习的行人属性识别领域，具体而言，涉及一种模型训练方法、行人属性识别方法和相关装置。
技术介绍
行人属性识别在摄像头安防领域是一种广泛的应用，在传统安防场景中通常使用人体检测配合行人重识别定位人体位置。然而在人体的图片中除了能够进行分类识别外还可以挖掘更多属性，如通过人体判断上下衣颜色、行人的朝向和性别等。由于在实际场景中检测到的行人数据经常会被各种客观因素所影响，比如无正脸照、光照变化强烈、服装变化、姿态变化、遮挡、拍摄角度不一致以及图片模糊等，使得人体属性识别难度极大提升。因此，如何快速的训练模型，以及如何使行人属性识别获得更优的效果是目前亟需解决的问题。
技术实现思路
本专利技术的目的包括，例如，提供了一种模型训练方法、行人属性识别方法和相关装置，其能够快速的训练模型，并使行人属性识别获得更优的效果。本专利技术的实施例可以这样实现：第一方面，本专利技术实施例提供一种模型训练方法，所述方法包括：获取训练样本数据；将所述训练样本数据输入预先本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：/n获取训练样本数据；/n将所述训练样本数据输入预先建立的行人属性识别模型，所述行人属性识别模型包括共享参数网络、人体分割网络和行人属性分类网络；/n将所述训练样本数据输入所述共享参数网络进行特征提取，得到共享参数；/n将所述共享参数输入所述人体分割网络进行语义分割，获得人体分割结果；/n将所述共享参数和所述人体分割结果输入所述行人属性分类网络进行行人属性分类，获得分类结果；/n依据所述人体分割结果对所述共享参数网络和所述人体分割网络进行参数更新，依据所述分类结果对所述共享参数网络和所述行人属性分类网络进行参数更新，得到训练后的行人属性识别模型。...

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
获取训练样本数据；
将所述训练样本数据输入预先建立的行人属性识别模型，所述行人属性识别模型包括共享参数网络、人体分割网络和行人属性分类网络；
将所述训练样本数据输入所述共享参数网络进行特征提取，得到共享参数；
将所述共享参数输入所述人体分割网络进行语义分割，获得人体分割结果；
将所述共享参数和所述人体分割结果输入所述行人属性分类网络进行行人属性分类，获得分类结果；
依据所述人体分割结果对所述共享参数网络和所述人体分割网络进行参数更新，依据所述分类结果对所述共享参数网络和所述行人属性分类网络进行参数更新，得到训练后的行人属性识别模型。


2.根据权利要求1所述的模型训练方法，其特征在于，依据所述人体分割结果对所述共享参数网络和所述人体分割网络进行参数更新，依据所述分类结果对所述共享参数网络和所述行人属性分类网络进行参数更新，以得到训练后的行人属性识别模型的步骤，包括：
依据所述人体分割结果计算第一损失函数的损失值；
依据所述分类结果计算第二损失函数的损失值；
利用第一迭代器更新所述第一损失函数的初始学习率；
利用第二迭代器更新所述第二损失函数的初始学习率；
利用所述第一损失函数的损失值对所述共享参数网络和所述人体分割网络进行参数更新；
利用所述第二损失函数的损失值对所述共享参数网络和所述行人属性识别模型进行参数更新；
重复上述步骤，直至所述第一损失函数和所述第二损失函数都满足收敛条件，得到训练后的行人属性识别模型。


3.根据权利要求2所述的模型训练方法，其特征在于，所述模型训练方法还包括：
利用所述第一迭代器将所述第二损失函数的初始学习率设置为0；
利用所述第二迭代器将所述第一损失函数的初始学习率设置为0。


4.根据权利要求1所述的模型训练方法，其特征在于，所述预先建立的行人属性识别模型还包括连接网络；
将所述人体分割结果输入所述连接网络进行权重转换，获得所述行人属性分类网络所需的人体部位对应的权重。


5.根据权利要求4所述的模型训练方法，其特征在于，所述连接网络包括人体部位选取层和权重转换层；
所述将所述人体分割结果输入所述连接网络进行权重转换，获得所述行人属性分类网络所需的人体部位对应的权重的步骤，包括：
将所述人体分割结果输入所述人体部位选取层进行选取，获得目标人体分割结果；其中，所述目标人体分割结果与所述行人属性分类网络所需的人体部位关联；
将所述目标人体分割结果输入所述权重转换层进行权重转换，获得所述行人属性分类网络所需的人体部位对应的权重，并将所述行人属性分类网络所需的人体部位对应的权重输入所述行人属性分类网络。


6.根据权利要求1所述的模型训练方法，其特征在于，所述人体分割网络包括残差层和特征处理层；
将所述共享参数输入所述残差层进行特征分离，获得分离参数；
将所述分离参数输入所述特征处理层进行语义分割，获得所述人体分割结果。


7.根据权利要求1所述的模型训练方法，其特征在于，...

【专利技术属性】
技术研发人员：李燊，
申请(专利权)人：重庆紫光华山智安科技有限公司，
类型：发明
国别省市：重庆;50