【技术实现步骤摘要】
移动对象的重识别、模型训练方法、设备及存储介质
[0001]本申请涉及计算机视觉
，尤其涉及一种移动对象的重识别、模型训练方法、设备及存储介质。
技术介绍
[0002]行人重识别(Person re
‑
identification)，是一种利用计算机视觉技术判断图片或者视频序列中是否存在特定行人的技术。基于行人重识别技术，可在给定一个监控行人图片时，检索跨相机设备下的该行人图片，以弥补固定的摄像头的视觉局限。
[0003]现有技术中，存在一种基于无监督模型的行人重识别方法。在这种方法中，通过无监督聚类算法或者基于相似度的最近邻关联算法生成数据的聚类伪标签，并将聚类伪标签作为监督信号，进行模型的训练和学习。但是，现有方法生成的聚类伪标签的准确度较低，不利于提升行人重识别模型的性能。因此，有待提出一种新的解决方案。
技术实现思路
[0004]本申请的多个方面提供一种移动对象的重识别、模型训练方法、设备及存储介质，用以有利于提升行人重识别模型的性能。
[0005]本申请实施例...
【技术保护点】
【技术特征摘要】
1.一种移动对象的重识别方法，其特征在于，包括：展示第一界面，所述第一界面包括：图片添加控件；响应对所述图片添加控件的触发操作，获取包含移动对象的待查询图片；将所述待查询图片以及待检索图片库中的图片输入神经网络模型；所述神经网络模型，根据标注有相机标签的训练集，以及对训练集中的多张图片进行聚类操作产生的相机差异损失训练得到；获取所述神经网络模型输出的所述待检索图片库中与所述待查询图片匹配的至少一张图片；在第二界面中，展示所述至少一张图片。2.一种移动对象的重识别方法，其特征在于，包括：获取包含移动对象的待查询图片以及待检索图片库；将所述待查询图片和所述待检索图片库中的图片输入神经网络模型，得到所述待检索图片库中与所述待查询图片匹配的至少一张图片；其中，所述神经网络模型，根据标注有相机标签的训练集，以及对训练集中的多张图片进行聚类操作产生的相机差异损失训练得到。3.一种移动对象的重识别模型的训练方法，其特征在于，包括：响应客户端对指定接口的调用请求，获取接口参数包含的移动对象的多张图片，作为训练集，所述多张图片分别标注有相机标签；将所述多张图片输入神经网络模型，得到所述多张图片各自的特征；根据所述多张图片各自的特征，对所述多张图片进行聚类操作，得到多个聚类簇；根据所述多个聚类簇各自包含的图片的特征，以及所述多个聚类簇各自包含的图片的相机标签，计算所述聚类操作的相机差异损失；利用所述多个聚类簇各自对应的相机差异损失，对所述神经网络模型进行迭代训练，得到重识别模型；将训练得到的所述重识别模型返回至所述客户端。4.一种移动对象的重识别模型的训练方法，其特征在于，包括：获取包含移动对象的多张图片，作为训练集，所述多张图片分别标注有相机标签；将所述多张图片输入神经网络模型，得到所述多张图片各自的特征；根据所述多张图片各自的特征，对所述多张图片进行聚类操作，得到多个聚类簇；根据所述多个聚类簇各自包含的图片的特征，以及所述多个聚类簇各自包含的图片的相机标签，计算所述聚类操作的相机差异损失；利用所述多个聚类簇各自对应的相机差异损失，对所述神经网络模型进行优化。5.根据权利要求4所述的方法，其特征在于，根据所述多个聚类簇各自包含的图片的特征，以及所述多个聚类簇各自包含的图片的相机标签，计算所述聚类操作的相机差异损失，包括：针对所述多个聚类簇中的第一聚类簇，根据所述第一聚类簇中的图片上标注的相机标签，对所述第一聚类簇中的图片进行划分，得到多个子聚类簇；所述多个子聚类簇对应不同的相机标签；根据所述多个子聚类簇各自包含的图片的特征，确定所述多个子聚类簇各自的代表特
征的初始值；从所述训练集中选取多个批量训练集，每个批量训练集包含第一数量的图片；针对所述多个批量训练集中的任一批量训练集，基于所述批量训练集中的图片的特征以及与图片具有相同相机标签的至少一个子聚类簇的代表特征，计算同相机内对比损失；和/或，基于所述批量训练集中的图片的特征和所述多个聚类簇包含的至少一个子聚类簇各自的代表特征，计算跨相机对比损失。6.根据权利要求5所述的方法，其特征在于，基于所述批量训练集中的图片的特征以及与图片具有相同相机标签的至少一个子聚类簇的代表特征，计算同相机内对比损失，包括：针对所述批量训练集中的任一图片，确定所述图片所属的第一子聚类簇的代表特征以及与所述图片具有相同相机标签...
【专利技术属性】
技术研发人员：王梦琳，赖百胜，周昌，黄建强，华先胜，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：
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。