网络训练、行人重识别方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种网络训练、行人重识别方法及装置、电子设备和存储介质，所述方法应用于部署有第一神经网络的服务端，包括：接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集；根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数；根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数；向每个客户端发送对应的第三网络参数，其中，每个第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。

【技术实现步骤摘要】
网络训练、行人重识别方法及装置、电子设备和存储介质
本公开涉及计算机
，尤其涉及一种网络训练、行人重识别方法及装置、电子设备和存储介质。
技术介绍
行人重识别(PersonRe-identification)，也称为行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。目前，行人重识别技术已广泛应用于多个领域和行业，如应用于智能视频检测、智能安保等。由于行人重识别技术在处理图像或视频帧序列的过程中，涉及了人脸、人体、个人身份等隐私数据，因此，亟需一种可以避免隐私数据泄露的行人重识别方法。
技术实现思路
本公开提出了一种网络训练、行人重识别方法及装置、电子设备和存储介质的技术方案。根据本公开的一方面，提供了一种网络训练方法，所述方法应用于服务端，所述服务端中部署有第一神经网络，所述方法包括：接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。在一种可能的实现方式中，所述根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数，包括：接收每个所述客户端发送的所述本地图像数据集对应的数据量；根据每个所述客户端对应的所述数据量，确定每个所述第一网络参数对应的第一权重；根据每个所述第一网络参数对应的所述第一权重，对所述至少两个第一网络参数进行加权融合，以更新所述第一神经网络，得到所述第二网络参数。在一种可能的实现方式中，所述根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数，包括：针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重；根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数。在一种可能的实现方式中，所述第一神经网络和所述第二神经网络具有相同的网络结构，所述网络结构包括多个网络层，所述第k个客户端发送的所述第一网络参数包括每个所述网络层对应的第一网络层参数，所述第二网络参数包括每个所述网络层对应的第二网络层参数；所述针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重，包括：根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度；根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重。在一种可能的实现方式中，所述根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度，包括：确定每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离；将每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离，确定为每个所述网络层对应的所述参数相似度。在一种可能的实现方式中，所述根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重，包括：对每个所述网络层对应的所述参数相似度进行归一化处理，得到每个所述网络层对应的归一化参数相似度；对每个所述网络层对应的所述归一化参数相似度进行取平均处理，得到所述第k个客户端发送的所述第一网络参数对应的所述第二权重。在一种可能的实现方式中，所述根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数，包括：根据所述第k个客户端发送的所述第一网络参数对应的所述第二权重，对所述第k个客户端发送的所述第一网络参数和所述第二网络参数进行指数移动平均值融合，得到所述第k个客户端对应的所述第三网络参数。根据本公开的一方面，提供了一种网络训练方法，所述方法应用于客户端，所述客户端中部署有第二神经网络和本地图像数据集，所述方法包括：向服务端发送第一网络参数，其中，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；接收所述服务端返回的第三网络参数，其中，所述服务端中部署有第一神经网络，所述第三网络参数是所述服务端根据所述第一网络参数，以及根据所述第一网络参数更新所述第一神经网络后得到的第二网络参数确定得到的；根据所述第三网络参数和所述本地图像数据集，对所述第二神经网络进行训练，得到更新后的第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。根据本公开的一方面，提供了一种行人重识别方法，包括：通过目标行人重识别网络对待识别图像进行行人重识别，确定行人重识别结果；其中，所述目标行人重识别网络是采用上述网络训练方法训练得到第一神经网络或第二神经网络。根据本公开的一方面，提供了一种网络训练装置，所述装置应用于服务端，所述服务端中部署有第一神经网络，所述装置包括：接收模块，用于接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；更新模块，用于根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；确定模块，用于根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；发送模块，用于向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；迭代模块，用于迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。根据本公开的一方面，提供了一种网络训练装置，所述装置应用于客户端，所述客户端中部署有第二神经网络和本地图像数据集，所述装置包括：发送模块，用于向服务端发送第一网络参数，其中，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；接收模块，用于接收所述服务端返回的第三网络参数，其中，所述服务端中部署有第一神经网络，所述第三网络参数是所述服务端根据所述第一网络参数，以及根据所述第一网络参数更新所述本文档来自技高网...

【技术保护点】
1.一种网络训练方法，其特征在于，所述方法应用于服务端，所述服务端中部署有第一神经网络，所述方法包括：/n接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；/n根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；/n根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；/n向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；/n迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。/n

【技术特征摘要】
1.一种网络训练方法，其特征在于，所述方法应用于服务端，所述服务端中部署有第一神经网络，所述方法包括：
接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；
根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；
根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；
向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；
迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。


2.根据权利要求1所述的方法，其特征在于，所述根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数，包括：
接收每个所述客户端发送的所述本地图像数据集对应的数据量；
根据每个所述客户端对应的所述数据量，确定每个所述第一网络参数对应的第一权重；
根据每个所述第一网络参数对应的所述第一权重，对所述至少两个第一网络参数进行加权融合，以更新所述第一神经网络，得到所述第二网络参数。


3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数，包括：
针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重；
根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数。


4.根据权利要求3所述的方法，其特征在于，所述第一神经网络和所述第二神经网络具有相同的网络结构，所述网络结构包括多个网络层，所述第k个客户端发送的所述第一网络参数包括每个所述网络层对应的第一网络层参数，所述第二网络参数包括每个所述网络层对应的第二网络层参数；
所述针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重，包括：
根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度；
根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重。


5.根据权利要求4所述的方法，其特征在于，所述根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度，包括：
确定每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离；
将每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离，确定为每个所述网络层对应的所述参数相似度。


6.根据权利要求4或5所述的方法，其特征在于，所述根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重，包括：
对每个所述网络层对应的所述参数相似度进行归一化处理，得到每个所述网络层对应的归一化参数相似度；
对每个所述网络层对应的所述归一化参数相似度进行取平均处理，得到所述第k个客户端发送的所述第一网络参数对应的所述第二权重。


7.根据权利要求3至6中任意一项所述的方法，其特征在于，所述根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数，包括：
根据所述第...

【专利技术属性】
技术研发人员：庄伟铭，张帅，
申请(专利权)人：商汤国际私人有限公司，
类型：发明
国别省市：新加坡;SG