目标重识别模型抗遗忘训练方法、目标重识别方法及装置制造方法及图纸

技术编号:35852146 阅读:14 留言:0更新日期:2022-12-07 10:36
本发明专利技术提供一种目标重识别模型抗遗忘训练方法、目标重识别方法及装置,其中方法包括:基于历史识别模型,应用当前轮的样本图像,确定样本图像的第一身份特征;并基于样本图像的第一身份特征、当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和样本图像的历史身份标签,基于样本图像、样本图像的历史身份标签、第一当前身份特征集合和第一历史身份特征集合对初始识别模型进行训练,得到当前识别模型,实现了在识别模型训练时学习新身份特征的同时复习历史身份特征,从而能够缓解应用新数据对识别模型进行训练导致的灾难性遗忘的问题,提高了识别模型的抗遗忘能力。忘能力。忘能力。

【技术实现步骤摘要】
目标重识别模型抗遗忘训练方法、目标重识别方法及装置


[0001]本专利技术涉及机器视觉
,尤其涉及一种目标重识别模型抗遗忘训练方法、目标重识别方法及装置。

技术介绍

[0002]目标重识别即目标再识别,目前主要集中在行人重识别和车辆重识别领域。以行人重识别为例,给定一张目标行人的图片,在无重叠视频监控网络中各个监控设备拍摄的视频图像序列中检索到该目标行人。
[0003]目前,目标重识别算法在训练模型时通过视频监控网络中各个监控设备拍摄的图像作为独立的样本数据,基于各摄像机的空间拓扑关系逐一建模这些样本数据,但由于不同摄像机的拍摄场景与设备本身存在较大差异,如果直接用新的数据进行训练会导致模型参数偏向新数据分布而远离旧数据分布,这样虽然有益模型对于新场景的学习,但也会带来严重的灾难性遗忘问题,而针对每一个场景都保留一个重识别模型同样是不现实的且这样会包含较多冗余信息。

技术实现思路

[0004]本专利技术提供一种目标重识别模型抗遗忘训练方法、目标重识别方法及装置,用以解决现有技术中通过视频监控网络中各摄像机拍摄的独立样本数据进行逐一训练出现的模型灾难性遗忘的缺陷。
[0005]本专利技术提供一种目标重识别模型抗遗忘训练方法,包括:
[0006]基于历史识别模型,确定初始识别模型;
[0007]基于所述历史识别模型,应用当前轮的样本图像,确定所述样本图像的第一身份特征;并基于所述样本图像的第一身份特征、所述当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和所述样本图像的历史身份标签;
[0008]基于所述样本图像、所述样本图像的历史身份标签、所述第一当前身份特征集合和所述第一历史身份特征集合对所述初始识别模型进行训练,得到当前识别模型;
[0009]基于所述当前识别模型,应用所述样本图像,确定第二当前身份特征集合,并基于所述第二当前身份特征集合和所述第一历史身份特征集合,确定第二历史身份特征集合;
[0010]将所述当前识别模型作为所述历史识别模型,以及将第二历史身份特征集合作为所述第一历史身份特征集合用于下一轮训练迭代;并将迭代完成得到的所述当前识别模型作为目标重识别模型。
[0011]根据本专利技术提供的一种目标重识别模型抗遗忘训练方法,所述基于所述样本图像、所述样本图像的历史身份标签、所述第一当前身份特征集合和所述第一历史身份特征集合对所述初始识别模型进行训练,得到当前识别模型,包括:
[0012]基于所述初始识别模型,应用所述样本图像,确定所述样本图像的第二身份特征;
[0013]基于所述样本图像的第二身份特征和所述第一当前身份特征集合,确定当前损
失,并基于所述样本图像的历史身份标签、所述样本图像的第二身份特征和所述第一历史身份特征集合,确定历史损失;
[0014]基于所述当前损失和所述历史损失,确定联合损失;并基于所述样本图像的第二身份特征和所述样本图像的样本身份标签更新所述第一当前身份特征集合;
[0015]基于所述联合损失,对所述初始识别模型进行参数迭代,直到所述联合损失收敛,得到所述当前识别模型。
[0016]根据本专利技术提供的一种目标重识别模型抗遗忘训练方法,所述基于所述当前损失和所述历史损失,确定联合损失,包括:
[0017]基于所述样本图像的第二身份特征、所述样本图像的第一身份特征和所述样本图像的历史身份标签,确定参数约束损失;
[0018]基于所述当前损失、所述历史损失和所述参数约束损失,确定所述联合损失。
[0019]根据本专利技术提供的一种目标重识别模型抗遗忘训练方法,所述基于所述样本图像的第一身份特征、所述当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和所述样本图像的历史身份标签,包括:
[0020]基于所述样本身份标签和所述样本图像的第一身份特征,确定所述样本身份标签对应的身份特征;
[0021]基于所述样本身份标签和所述样本身份标签对应的身份特征,确定所述第一当前身份特征集合;
[0022]将所述第一当前身份特征集合中各身份特征,与所述第一历史身份特征集合中各进行循环匹配,得到身份标签匹配对和身份标签匹配对的匹配度;
[0023]若所述身份标签匹配对的匹配度小于预设相似度阈值,则所述样本身份标签对应的历史身份标签为默认标签;否则,基于所述身份特征匹配对,确定所述样本身份标签对应的历史身份标签。
[0024]根据本专利技术提供的一种目标重识别模型抗遗忘训练方法,所述基于所述当前识别模型,应用所述样本图像,确定第二当前身份特征集合,并基于所述第二当前身份特征集合和所述第一历史身份特征集合,确定第二历史身份特征集合,包括:
[0025]基于所述当前识别模型,应用所述样本图像,确定所述样本图像的第二身份特征;
[0026]基于所述样本身份标签和所述样本图像的第二身份特征,确定所述样本身份标签对应的均值身份特征;
[0027]基于所述样本身份标签和所述样本身份标签对应的均值身份特征,确定所述第二当前身份特征集合;
[0028]基于所述第二当前身份特征集合和所述第一历史身份特征集合,确定第二历史身份特征集合。
[0029]本专利技术还提供一种目标重识别方法,包括:
[0030]确定待识别图像;
[0031]将所述待识别图像输入至目标重识别模型中,得到所述目标重识别模型输出的身份特征,并基于所述身份特征确定识别结果;
[0032]所述目标重识别模型是基于上述任一项所述的目标重识别模型抗遗忘训练方法训练得到的。
[0033]本专利技术还提供一种目标重识别模型抗遗忘训练装置,包括:
[0034]确定模块,用于基于历史识别模型,确定初始识别模型;
[0035]历史关联模块,用于基于所述历史识别模型,应用当前轮的样本图像,确定所述样本图像的第一身份特征;并基于所述样本图像的第一身份特征、所述当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和所述样本图像的历史身份标签;
[0036]训练模块,用于基于所述样本图像、所述样本图像的历史身份标签、所述第一当前身份特征集合和所述第一历史身份特征集合对所述初始识别模型进行训练,得到当前识别模型;
[0037]更新模块,用于基于所述当前识别模型,应用所述样本图像,确定第二当前身份特征集合,并基于所述第二当前身份特征集合和所述第一历史身份特征集合,确定第二历史身份特征集合;
[0038]迭代模块,用于将所述当前识别模型作为所述历史识别模型,以及将第二历史身份特征集合作为所述第一历史身份特征集合用于下一轮训练迭代;并将迭代完成得到的所述当前识别模型作为目标重识别模型。
[0039]本专利技术还提供一种目标重识别装置,包括:
[0040]确定模块,用于确定待识别图像;
[0041]识别模块,将所述待识别图像输入至目标重识别模型中,得到所述目标重识别模型输出本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种目标重识别模型抗遗忘训练方法,其特征在于,包括:基于历史识别模型,确定初始识别模型;基于所述历史识别模型,应用当前轮的样本图像,确定所述样本图像的第一身份特征;并基于所述样本图像的第一身份特征、所述当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和所述样本图像的历史身份标签;基于所述样本图像、所述样本图像的历史身份标签、所述第一当前身份特征集合和所述第一历史身份特征集合对所述初始识别模型进行训练,得到当前识别模型;基于所述当前识别模型,应用所述样本图像,确定第二当前身份特征集合,并基于所述第二当前身份特征集合和所述第一历史身份特征集合,确定第二历史身份特征集合;将所述当前识别模型作为所述历史识别模型,以及将第二历史身份特征集合作为所述第一历史身份特征集合用于下一轮训练迭代;并将迭代完成得到的所述当前识别模型作为目标重识别模型。2.根据权利要求1所述的目标重识别模型抗遗忘训练方法,其特征在于,所述基于所述样本图像、所述样本图像的历史身份标签、所述第一当前身份特征集合和所述第一历史身份特征集合对所述初始识别模型进行训练,得到当前识别模型,包括:基于所述初始识别模型,应用所述样本图像,确定所述样本图像的第二身份特征;基于所述样本图像的第二身份特征和所述第一当前身份特征集合,确定当前损失,并基于所述样本图像的历史身份标签、所述样本图像的第二身份特征和所述第一历史身份特征集合,确定历史损失;基于所述当前损失和所述历史损失,确定联合损失;并基于所述样本图像的第二身份特征和所述样本图像的样本身份标签更新所述第一当前身份特征集合;基于所述联合损失,对所述初始识别模型进行参数迭代,直到所述联合损失收敛,得到所述当前识别模型。3.根据权利要求2所述的目标重识别模型抗遗忘训练方法,其特征在于,所述基于所述当前损失和所述历史损失,确定联合损失,包括:基于所述样本图像的第二身份特征、所述样本图像的第一身份特征和所述样本图像的历史身份标签,确定参数约束损失;基于所述当前损失、所述历史损失和所述参数约束损失,确定所述联合损失。4.根据权利要求1所述的目标重识别模型抗遗忘训练方法,其特征在于,所述基于所述样本图像的第一身份特征、所述当前轮的样本身份标签和第一历史身份特征集合,确定第一当前身份特征集合和所述样本图像的历史身份标签,包括:基于所述样本身份标签和所述样本图像的第一身份特征,确定所述样本身份标签对应的身份特征;基于所述样本身份标签和所述样本身份标签对应的身份特征,确定所述第一当前身份特征集合;将所述第一当前身份特征集合中各身份特征,与所述第一历史身份特征集合中各进行循环匹配,得到身份标签匹配对和身份标签匹配对的匹配度;若所述身份标签匹配对的匹配度小于预设相似度阈值,则所述样本身份标签对应的历史身份标签为默认标签;否则,基于所述身份特征匹配对,确定所述样本身份标签对应的历...

【专利技术属性】
技术研发人员:徐常胜姚涵涛
申请(专利权)人:中国科学院自动化研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1