【技术实现步骤摘要】
一种基于增量学习的人体属性分类方法及装置
[0001]本专利技术属于计算机视觉
,特别涉及一种基于增量学习的人体属性分类方法及装置。
技术介绍
[0002]人体属性分类是计算机视觉中的热门研究课题之一,也是基于视觉的模式识别应用的一个重要研究方向,它需要将图像中人的各个属性(性别、年龄、衣服类型等)分类出来,从而为针对人的应用提供更加详细的先验信息,比如:行人重识别、行人检索以及视频监控等,由于自然场景中人体不同属性对应不同的局部特征,因此,人体属性分类方法需要具有对不同属性产生其对应局部特征的能力,同时各个属性任务具有不同的需求,如何通过增量学习的方式准确快速的得到属性的类别,是当前面临的难点。
[0003]目前对于人体属性分类常用的方法是基于传统手工设计特征的人体属性分类网络以及基于深度学习的人体属性分类方法,其中基于传统手工设计特征的人体属性分类网络针对人体的内容描述力和判别力不足,在人体属性分类这个问题上很难做到较好的效果,而基于深度学习的人体属性分类方法大多采用注意力机制或者网络整体重训练来解决上述问题,这些方法忽略了不同属性对应着不同的局部特征,从而影响方法的识别性能,同时整个网络重训练会增加网络的训练时间。
技术实现思路
[0004]鉴于此,本专利技术提供一种基于增量学习的人体属性分类方法及装置,通过增量学习的方式,快速且准确的获得人体属性分类结果。
[0005]本专利技术第一实施例提供一种基于增量学习的人体属性分类方法,包括以下步骤:
[0006]步骤S1 ...
【技术保护点】
【技术特征摘要】
1.一种基于增量学习的人体属性分类方法,其特征在于,包括以下步骤:步骤S1、将人体属性图像输入到深度卷积神经网络中进行特征提取,获得图像原始特征;步骤S2、采用属性transformer网络对图像原始特征进行处理,获得全局信息特征;步骤S3、将全局信息特征进行横向切割,获得各个属性对应的局部信息特征;步骤S4、将全局信息特征和局部信息特征输入到层级分类器中,获得人体属性分类结果;步骤S5、当有新的分类任务时,采用增量学习的方式对深度卷积神经网络进行微调,并执行步骤S1
‑
S4。2.根据权利要求1所述的一种基于增量学习的人体属性分类方法,其特征在于,所述步骤S2的属性transformer网络包括transformer编码器以及transformer解码器,所述步骤S2包括以下步骤:步骤S21、transformer编码器对图像原始特征进行处理,获得一维向量Z
′
;步骤S22、transformer解码器对一维向量Z
′
进行维度重组,获得全局信息特征。3.根据权利要求2所述的一种基于增量学习的人体属性分类方法,其特征在于,所述步骤S21的具体步骤包括:步骤S211、将图像原始特征分解成固定大小的特征块;步骤S212、对特征块进行线性投影,获得初始一维向量Z∈R
L
×
C
,其中R为实数,L为向量的长度,C为向量的通道数;步骤S213、对初始一维向量Z∈R
L
×
C
进行自我注意力计算值,获得自我注意力计算值MSA;步骤S214、将自我注意力计算值MSA与多层感知机MLP的输出值合并,获得一维向量Z
′
,其中多层感知机MLP的输入为自我注意力计算值MSA。4.根据权利要求3所述的一种基于增量学习的人体属性分类方法,其特征在于,所述步骤S213的具体步骤为:对初始一维向量Z∈R
L
×
C
通过自我注意力机制计算来扩大感受野,并获得自我注意力计算初值SA,其计算公式为:其中W
Q
/W
K
/W
V
∈R
C
×
d
为可学习参数,通过对一维向量Z∈R
L
×
...
【专利技术属性】
技术研发人员:王浩南,
申请(专利权)人:深圳多模智能科技有限公司,
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。