本申请提供一种多任务行人属性分类训练方法，本方法包括以下步骤：步骤S1、收集与筛选原始图片，预处理所述原始图片；步骤S2、根据预处理后的原始图片，构建行人属性数据集，标注行人属性；步骤S3、根据所述行人属性数据集建立多任务行人属性分类网络模型，所述多任务行人属性分类网络模型包括第一阶段网络模型与第二阶段网络模型，通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力；步骤S4、合并所述第一阶段网络模型与第二阶段网络模型的参数，通过所述多任务行人属性分类网络模型同时输出行人属性。通过两阶段的网络训练，降低多任务行人属性分类样本存在的长尾分布影响，提高多任务行人属性分类的准确性及效率。多任务行人属性分类的准确性及效率。多任务行人属性分类的准确性及效率。
【技术实现步骤摘要】
一种多任务行人属性分类训练方法、设备、存储介质
[0001]本申请涉及计算机视觉领域，具体涉及一种多任务行人属性分类训练方法、设备、存储介质。
技术介绍
[0002]深度卷积神经网络广泛应用于计算机视觉任务中，如：图像分割、图像分类、目标检测、目标跟踪等等，并取得了较好的应用效果。近年来，随着视频监控应用越来越广泛，通过视频获取到的行人图像能够有效地运用到安全防范、人员统计等方面。
[0003]由于拍摄背景复杂、拍照光线差异大、行人图像质量差等原因，有效的行人图像数据采集难度大，标注多任务行人属性分类具有一定难度，导致多任务行人属性分类的数据集数据量不足、不同属性之间的数据分布不均衡，存在长尾分布的现象。
[0004]例如在视频监控的应用场景中，输入行人的图像，需要同时识别出该行人的年龄、性别、上下衣风格、上下衣纹理等属性。但在数据采集过程中，难以获取有效的行人数据，比如行人穿格子衫、穿正装比例低，导致不同属性之间的类别不均衡，采用深度学习网络无法很好地提取的这些特征，识别属性的准确率下降。
[0005]为解决上述问题，存在提取行人的全身、头部、上半身、下半身和脚部区域，采用两个分支预测多种行人属性的技术方案。但该方法采用两个分支预测属性，计算复杂度较高，训练模型效率低，无法快速得到识别结果。
[0006]现有技术中还存在直接将输入的所有样本数据进行训练，输出多种预测的属性的技术方案。但该方法没有考虑到属性之间类别不均衡的差异，比如行人的性别属性男女比例近似相同，但是在是否戴帽子的属性，一般是没有戴帽子的比例更多，导致模型训练在这些属性识别效果差，精度下降。
技术实现思路
[0007]为了解决上述的问题，本申请的实施例中提供了一种多任务行人属性分类训练方法、设备、存储介质，通过两阶段的网络训练，降低多任务行人属性分类样本存在的长尾分布影响，提高多任务行人属性分类的准确性及效率。
[0008]为此，本申请的一个方面，提供一种多任务行人属性分类训练方法，本方法包括以下步骤：
[0009]收集与筛选原始图片，预处理所述原始图片；
[0010]根据预处理后的原始图片，构建行人属性数据集，标注行人属性；
[0011]根据所述行人属性数据集建立多任务行人属性分类网络模型，所述多任务行人属性分类网络模型包括第一阶段网络模型与第二阶段网络模型，通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力；
[0012]合并所述第一阶段网络模型与第二阶段网络模型的参数，通过所述多任务行人属性分类网络模型同时输出行人属性。
[0013]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力，具体为，
[0014]所述通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力，具体为：
[0015]通过行人属性数据集训练第一阶段网络模型的特征提取能力；
[0016]通过行人属性数据集训练第二阶段网络模型的分类能力。
[0017]可选地，结合上述任一方面，在本方面的另一种实现方式中，通过行人属性数据集训练第一阶段网络模型的特征提取能力，具体为，
[0018]将所述行人属性数据集采用实例分布的采样方式，选择训练数据；
[0019]对所述训练数据进行预处理，所述预处理包括统一所有行人属性数据集内的图片的分辨率、大小，图片归一化，学习衰减策略；
[0020]将预处理后的训练数据输入所述第一阶段网络模型，提取所任务行人属性分类的共同特征；将共同特征输入至所述多任务行人属性分类网络模型的属性分类器中，由属性分类器分别提取不同分类的属性特征；
[0021]通过损失函数计算各个属性分类器的损失值及总损失值，通过训练策略，根据属性分类器的损失值更新对应的属性分类器的权值，根据总损失值更新所述第一阶段网络模型的主干网络的权值；
[0022]多次执行上述步骤，直至输出第一阶段网络模型参数。
[0023]可选地，结合上述任一方面，在本方面的另一种实现方式中所述通过行人属性数据集训练第二阶段网络模型的分类能力，具体为：
[0024]将所述行人属性数据集采用类别均衡分布的采样方式，选择训练数据；
[0025]对所述训练数据进行预处理，所述预处理包括统一所有行人属性数据集内的图片的分辨率、大小，图片归一化，；采用第一阶段网络模型的主干网络参数作为预训练模型，训练属性分类器的网络参数；
[0026]将所述训练数据输入预训练模型，提取多任务行人属性分类的共享特征，将共享特征输入至所有属性分类器中，计算该属性的分类概率及行人属性损失值，通过反向求导更新该属性分类器的网络参数；
[0027]多次执行上述步骤，输出第二阶段网络模型参数。
[0028]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述合并所述第一阶段网络模型与第二阶段网络模型的参数，具体为，
[0029]将网络层与卷积层合并，构成新卷积层，将属性分类器中的参数矩阵与全连接层合并，构成新全连接层所述参数包括网络层的均值参数、标准差参数、缩放参数和平移参数以及全连接层的卷积参数和偏置参数。
[0030]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述新卷积层的参数公式为
[0031]W
new
＝W/δ*γ
[0032]b
new
＝(b
‑
μ)/δ*γ+β
[0033]其中W
new
和b
new
表示新卷积层的卷积参数和偏置参数，W、b表示原卷积层的卷积参
数和偏置参数，μ、δ、γ、β分别表示BatchNorm网络层的均值参数、标准差参数、缩放参数和平移参数；
[0034]所述新全连接层的公式为：
[0035]W
FC1
＝W
FC0
*α
[0036]b
FC1
＝b
FC0
*α
[0037]其中W
FC1
和b
FC1
表示新的全连接层的卷积参数和偏置参数，W
FC0
和b
FC0
表示旧的全连接层的卷积参数和偏置参数，α为参数矩阵。
[0038]可选地，结合上述任一方面，在本方面的另一种实现方式中，所述多任务行人属性分类网络模型包括主干网络、属性分类器、学习率衰减策略；所述属性分类器采用SoftMax函数作为损失函数，所述损失函数的表达式为
[0039][0040]其中，B为批量大小，x
i
表示分类器输出的第i个类别的概率，C表示分类器输出的类别总数，e表示自然对数。
[0041]可选地，结合上述任一方面，在本方面的另一种实现方式中，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多任务行人属性分类训练方法，其特征在于，本方法包括以下步骤：收集与筛选原始图片，预处理所述原始图片；根据预处理后的原始图片，构建行人属性数据集，标注行人属性；根据所述行人属性数据集建立多任务行人属性分类网络模型，所述多任务行人属性分类网络模型包括第一阶段网络模型与第二阶段网络模型，通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力；合并所述第一阶段网络模型与第二阶段网络模型的参数，通过所述多任务行人属性分类网络模型同时输出行人属性。2.如权利要求1所述的一种多任务行人属性分类训练方法，其特征在于：所述通过所述行人属性数据集分别训练第一阶段网络模型的特征提取能力与第二阶段网络模型的分类能力，具体为，通过行人属性数据集训练第一阶段网络模型的特征提取能力；通过行人属性数据集训练第二阶段网络模型的分类能力。3.如权利要求2所述的一种多任务行人属性分类训练方法，其特征在于：通过行人属性数据集训练第一阶段网络模型的特征提取能力，具体为，将所述行人属性数据集采用实例分布的采样方式，选择训练数据；对所述训练数据进行预处理，所述预处理包括统一所有行人属性数据集内的图片的分辨率、大小，图片归一化，学习衰减策略；将预处理后的训练数据输入所述第一阶段网络模型，提取所任务行人属性分类的共同特征；将共同特征输入至所述多任务行人属性分类网络模型的属性分类器中，由属性分类器分别提取不同分类的属性特征；通过损失函数计算各个属性分类器的损失值及总损失值，通过训练策略，根据属性分类器的损失值更新对应的属性分类器的权值，根据总损失值更新所述第一阶段网络模型的主干网络的权值；多次执行上述步骤，直至输出第一阶段网络模型参数。4.如权利要求3所述的一种多任务行人属性分类训练方法，其特征在于：所述通过行人属性数据集训练第二阶段网络模型的分类能力，具体为：将所述行人属性数据集采用类别均衡分布的采样方式，选择训练数据；对所述训练数据进行预处理，所述预处理包括统一所有行人属性数据集内的图片的分辨率、大小，图片归一化，；采用第一阶段网络模型的主干网络参数作为预训练模型，训练属性分类器的网络参数；将所述训练数据输入预训练模型，提取多任务行人属性分类的共享特征，将共享特征输入至所有属性分类器中，计算该属性的分类概率及行人属性损失值，通过反向求导更新该属性分类器的网络参数；多次执行上述步骤，输出第二阶段网络模型参数。5.如权利要求2所述的一种多任务行...
【专利技术属性】
技术研发人员：刘义南，魏东，黄宇恒，金晓峰，黄彦杰，
申请(专利权)人：广州广电运通金融电子股份有限公司，
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。