【技术实现步骤摘要】
穿戴检测模型的训练方法、穿戴检测方法及相关设备
[0001]本申请涉及检测
，具体涉及一种穿戴检测模型的训练方法、穿戴检测方法及相关设备。
技术介绍
[0002]目前利用特征比对的方法来确定目标对象是否穿戴目标服装，但在穿戴检测的实际应用中，由于服装的种类繁多，相同或相近颜色、款式的服装之间的相似度较大，在穿戴检测过程中容易混淆相似服装，导致穿戴检测精度较低。
技术实现思路
[0003]本申请提供一种穿戴检测模型的训练方法、穿戴检测方法及相关设备，能够提升训练后的穿戴检测模型的穿戴检测精度。
[0004]为解决上述技术问题，本申请采用的技术方案是：提供一种穿戴检测模型的训练方法，穿戴检测模型包括特征提取层、属性预测层以及类别预测层，该穿戴检测模型的训练方法包括：获取训练样本图像；将训练样本图像输入特征提取层，得到样本提取特征；将样本提取特征输入属性预测层，得到样本穿戴属性特征；将样本提取特征输入类别预测层，得到样本身份特征；基于样本穿戴属性特征、样本身份特征以及样本提取特征，计算训练样本图像对应...
【技术保护点】
【技术特征摘要】
1.一种穿戴检测模型的训练方法，其特征在于，所述穿戴检测模型包括特征提取层、属性预测层以及类别预测层，所述方法包括：获取训练样本图像；将所述训练样本图像输入所述特征提取层，得到样本提取特征；将所述样本提取特征输入所述属性预测层，得到样本穿戴属性特征；将所述样本提取特征输入所述类别预测层，得到样本身份特征；基于所述样本穿戴属性特征、所述样本身份特征以及所述样本提取特征，计算所述训练样本图像对应的训练损失；基于所述训练损失，对所述穿戴检测模型进行训练，得到训练后的穿戴检测模型。2.根据权利要求1所述的穿戴检测模型的训练方法，其特征在于，所述基于所述样本穿戴属性特征、所述样本身份特征以及所述样本提取特征，计算所述训练样本图像对应的训练损失的步骤，包括：基于所述样本穿戴属性特征与所述样本身份特征，计算属性身份损失；基于所述样本提取特征，计算特征损失值；基于所述属性身份损失与所述特征损失值，计算所述训练损失。3.根据权利要求2所述的穿戴检测模型的训练方法，其特征在于，所述属性身份损失包括属性损失值与身份损失值，所述基于所述样本穿戴属性特征与所述样本身份特征，计算属性身份损失的步骤，包括：获取所述训练样本图像对应的穿戴属性标签以及身份标签；计算所述样本穿戴属性特征与所述穿戴属性标签之间的损失，得到所述属性损失值；计算所述样本身份特征与所述身份标签之间的损失，得到所述身份损失值；所述基于所述属性身份损失与所述特征损失值，计算所述训练损失的步骤，包括：对所述属性损失值、所述身份损失值以及所述特征损失值进行加权求和，得到所述训练损失。4.根据权利要求3所述的穿戴检测模型的训练方法，其特征在于，所述样本穿戴属性特征包括多个子属性特征，所述穿戴属性标签包括与每个所述子属性对应的子属性标签，所述计算所述样本穿戴属性特征与所述穿戴属性标签之间的损失，得到所述属性损失值的步骤，包括：计算每个所述子属性特征与相应的子属性标签的交叉熵损失，得到多个交叉熵损失值；对所述多个交叉熵损失值进行加权求和，得到所述属性损失值。5.根据权利要求2所述的穿戴检测模型的训练方法，其特征在于，所述训练样本图像包括目标样本图像、正样本图像以及负样本图像，所述样本提取特征包括所述目标样本图像的特征、所述正样本图像的特征以及所述负样本图像的特征；所述基于所述样本提取特征，计算特征损失值的步骤，包括：采用三元组损失函数对所述目标样本图像的特征、所述正样本图像的特征以及所述负样本图像的特征进行计算，得到所述特征损失值。6.根据权利要求1所述的穿戴检测模型的训练方法，其特征在于，所述训练样本图像包括目标样本图像、正样本图像以及负样本图像，所述获取训练样本图像的步骤，包括：
获取预设训练样本集与所述目标样本图像，所述预设训练样本集包括多个样本图像集；基于所述目标样本图像，从所述多个样本图像集中选取所述正样本图像以及所述负样本图像。7.根据权利要求6所述的穿戴检测模型的训练方法，其特征在于，所述基于所述目标样本图像，从所述多个样本图像集中选取所述正样本图像以及所述负样本图像的步骤，包括：从所述预设训练样本集中选取与所述目标样本图像的穿戴属性特征相同且身份特征相同的样本图像集，得到正样本图像集；从所述正样本图像集中随机选取一个样本图像，得到所述正样本图像；从所述预设训练样本集中选取与所述目标样本图像的身份特征不同的样本图像集，得到负样本图像集；从所述负样本图像集中随机选取一个样本图像，得到所述负样本图像。8.根据权利要求7所...
【专利技术属性】
技术研发人员：郑惠中，唐邦杰，潘华东，殷俊，郑少飞，
申请(专利权)人：浙江大华技术股份有限公司，
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。