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，包括：服务端接收多个客户端发送的第二网络参数，每个客户端中部署有第二神经网络和本地图像数据集，第二网络参数是基于本地图像数据集对第二神经网络进行训练得到；对多个客户端进行聚类，得到多个客户端组；基于客户端组内包括的每个客户端发送的第二网络参数，更新第一神经网络，得到对应客户端组的更新后的第一网络参数；向客户端组内包括的每个客户端，发送更新后的第一网络参数，以更新客户端组内包括的每个客户端对应的第二网络参数；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。进行图像处理。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


[0001]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

[0002]行人重识别(Person Re
‑
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，如应用于智能视频监控、智能安保。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

[0003]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技术方案。
[0004]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，所述第一神经网络具有第一网络参数，所述方法包括：接收多个客户端发送的多个第二网络参数，其中，每个所述客户端中分别部署有第二神经网络和本地图像数据集，所述第二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得到；对所述多个客户端进行聚类，得到多个客户端组；针对任一所述客户端组，基于所述客户端组内包括的每个所述客户端发送的所述第二网络参数，更新所述第一神经网络，得到对应所述客户端组的更新后的第一网络参数；向所述客户端组内包括的每个所述客户端，发送所述更新后的第一网络参数，以更新所述客户端组内包括的每个所述客户端对应的所述第二网络参数；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。
[0005]在一种可能的实现方式中，所述对所述多个客户端进行聚类，得到多个客户端组，包括：接收每个所述客户端发送的第一特征向量，其中，针对任一所述客户端，所述第一特征向量是利用当前训练轮次中训练后的所述第二神经网络，对共享图像进行特征提取得到；对多个所述第一特征向量进行聚类，得到多个特征向量组；针对任一所述特征向量组，将所述特征向量组内包括的每个所述第一特征向量对应的所述客户端，划分到相同的所述客户端组。
[0006]在一种可能的实现方式中，所述基于所述客户端组内包括的每个所述客户端发送的所述第二网络参数，更新所述第一神经网络，得到对应所述客户端组的更新后的第一网络参数，包括：确定所述客户端组对应的每个所述第二网络参数的权重；根据所述客户端组对应的每个所述第二网络参数的权重，对所述客户端组对应的多个所述第二网络参数进行加权融合，以更新所述第一神经网络，得到所述更新后的第一网络参数。
[0007]在一种可能的实现方式中，所述确定所述客户端组对应的每个所述第二网络参数
的权重，包括：接收所述客户端组内包括的每个所述客户端发送的训练变化参数，其中，针对任一所述客户端，所述训练变化参数用于指示所述客户端中部署的所述第二神经网络在当前训练轮次中训练前后的变化程度；根据每个所述客户端发送的训练变化参数，确定每个所述客户端对应的所述第二网络参数的权重。
[0008]在一种可能的实现方式中，针对任一所述客户端，所述客户端发送的所述训练变化参数，是基于所述客户端利用当前训练轮次中训练后的所述第二神经网络对共享图像进行特征提取得到的第一特征向量，以及利用当前训练轮次中训练前的所述第二神经网络对所述共享图像进行特征提取得到的第二特征向量之间的特征相似度确定得到。
[0009]根据本公开的一方面，提供了一种网络训练方法，所述方法应用于目标客户端，所述目标客户端中部署有第二神经网络和本地图像数据集，所述第二神经网络具有第二网络参数，所述方法包括：向服务端发送所述第二网络参数，其中，所述第二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一网络参数，其中，所述服务端中部署有第一神经网络，所述第一网络参数是所述服务端基于客户端组发送的第二网络参数，更新所述第一神经网络确定得到，所述客户端组是所述服务端对包括所述目标客户端的多个客户端进行聚类得到；根据所述第一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，得到更新后的第二网络参数；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。
[0010]在一种可能的实现方式中，所述方法还包括：利用当前训练轮次中训练后的所述第二神经网络，对共享图像进行特征提取，得到第一特征向量；向所述服务端发送所述第一特征向量。
[0011]在一种可能的实现方式中，所述方法还包括：基于当前训练轮次中训练前的所述第二神经网络，以及当前训练轮次中训练后的所述第二神经网络，确定训练变化参数，其中，所述训练变化参数用于指示所述第二神经网络在当前训练轮次中训练前后的变化程度；向所述服务端发送所述训练变化参数。
[0012]在一种可能的实现方式中，所述基于当前训练轮次中训练前的所述第二神经网络，以及当前训练轮次中训练后的所述第二神经网络，确定训练变化参数，包括：利用当前训练轮次中训练前的所述第二神经网络，对共享图像进行特征提取，得到第二特征向量；利用当前训练轮次中训练后的所述第二神经网络，对所述共享图像进行特征提取，得到第一特征向量；基于所述第一特征向量和所述第二特征向量之间的特征相似度，确定所述训练变化参数。
[0013]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的第一神经网络或第二神经网络。
[0014]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，所述第一神经网络具有第一网络参数，所述装置包括：接收模块，用于接收多个客户端发送的多个第二网络参数，其中，每个所述客户端中分别部署有第二神经网络和本地图像数据集，所述第二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得到；聚类模块，用于对所述多个客户端进行聚类，得到多个客户端组；
更新模块，用于针对任一所述客户端组，基于所述客户端组内包括的每个所述客户端发送的所述第二网络参数，更新所述第一神经网络，得到对应所述客户端组的更新后的第一网络参数；发送模块，用于向所述客户端组内包括的每个所述客户端，发送所述更新后的第一网络参数，以更新所述客户端组内包括的每个所述客户端对应的所述第二网络参数；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。
[0015]根据本公开的一方面，提供了一种网络训练装置，所述装置应用于目标客户端，所述目标客户端中部署有第二神经网络和本地图像数据集，所述第二神经网络具有第二网络参数，所述装置包括：发送模块，用于向服务端发送所述第本文档来自技高网...

【技术保护点】

【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，所述第一神经网络具有第一网络参数，所述方法包括：接收多个客户端发送的多个第二网络参数，其中，每个所述客户端中分别部署有第二神经网络和本地图像数据集，所述第二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得到；对所述多个客户端进行聚类，得到多个客户端组；针对任一所述客户端组，基于所述客户端组内包括的每个所述客户端发送的所述第二网络参数，更新所述第一神经网络，得到对应所述客户端组的更新后的第一网络参数；向所述客户端组内包括的每个所述客户端，发送所述更新后的第一网络参数，以更新所述客户端组内包括的每个所述客户端对应的所述第二网络参数；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，所述对所述多个客户端进行聚类，得到多个客户端组，包括：接收每个所述客户端发送的第一特征向量，其中，针对任一所述客户端，所述第一特征向量是利用当前训练轮次中训练后的所述第二神经网络，对共享图像进行特征提取得到；对多个所述第一特征向量进行聚类，得到多个特征向量组；针对任一所述特征向量组，将所述特征向量组内包括的每个所述第一特征向量对应的所述客户端，划分到相同的所述客户端组。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述客户端组内包括的每个所述客户端发送的所述第二网络参数，更新所述第一神经网络，得到对应所述客户端组的更新后的第一网络参数，包括：确定所述客户端组对应的每个所述第二网络参数的权重；根据所述客户端组对应的每个所述第二网络参数的权重，对所述客户端组对应的多个所述第二网络参数进行加权融合，以更新所述第一神经网络，得到所述更新后的第一网络参数。4.根据权利要求3所述的方法，其特征在于，所述确定所述客户端组对应的每个所述第二网络参数的权重，包括：接收所述客户端组内包括的每个所述客户端发送的训练变化参数，其中，针对任一所述客户端，所述训练变化参数用于指示所述客户端中部署的所述第二神经网络在当前训练轮次中训练前后的变化程度；根据每个所述客户端发送的训练变化参数，确定每个所述客户端对应的所述第二网络参数的权重。5.根据权利要求4中所述的方法，其特征在于，针对任一所述客户端，所述客户端发送的所述训练变化参数，是基于所述客户端利用当前训练轮次中训练后的所述第二神经网络对共享图像进行特征提取得到的第一特征向量，以及利用当前训练轮次中训练前的所述第二神经网络对所述共享图像进行特征提取得到的第二特征向量之间的特征相似度确定得到。6.一种网络训练方法，其特征在于，所述方法应用于目标客户端，所述目标客户端中部
署有第二神经网络和本地图像数据集，所述第二神经网络具有第二网络参数，所述方法包括：向服务端发送所述第二网络参数，其中，所述第二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一网络参数，其中，所述服务端中部署有第一神经网络，所述第一网络参数是所述服务端基于客户端组发送的第二网络参数，更新所述第一神经网络确定得到，所述客户端组是所述服务端对包括所述目标客户端的多个客户端进行聚类得到；根据所述第一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，得到更新后的第二网络参数；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。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：利用当前训练轮次中训练后的所述第二神经网络，对共享图像进行特征提取，得到第一特征向量；向所述服务端发送所...

【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：