本发明专利技术提供一种目标重识别网络的训练方法、目标重识别方法、装置、存储介质及电子设备，用以解决基于浅层数据训练目标重识别网络时，目标重识别网络的性能不佳的问题。该目标重识别网络的训练方法包括：获取设定数量的样本图像并将其输入到孪生结构的第一特征编码网络和第二特征编码网络；基于第一特征编码网络输出的预测向量计算分类损失；以及基于第一特征编码网络输出的第一特征向量，和特征记忆存储器中存储的第二特征向量，计算成对余弦损失；基于所计算的分类损失和所计算的成对余弦损失，获得第一特征编码网络的调整参数；基于调整参数，通过指数移动平均的方式更新第二特征编码网络的参数；经过多次迭代得到所述目标重识别网络。重识别网络。重识别网络。
【技术实现步骤摘要】
目标重识别网络的训练方法及装置、目标重识别方法
[0001]本专利技术涉及重识别
，尤其涉及一种目标重识别网络的训练方法、目标重识别方法、装置、存储介质及电子设备。
技术介绍
[0002]目标重识别，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目标的技术，例如，给定一个监控目标图像，检索跨设备下的该目标图像。重识别的目标可以为行人、车辆等，目标重识别旨在弥补目前固定的摄像头的视觉局限，并可与目标检测/目标跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。
[0003]现有的目标重识别算法中的目标重识别网络在训练阶段的优化都需要深度数据(即每个类别都有足够数量的样本图像)，而在实际场景中，由于受光照、视角、遮挡等干扰因素的影响，导致图片质量低，通常采集到的是浅层数据(即类别数量大，但每个类别的样本图像数量少)，在基于浅层数据进行目标重识别网络的优化时，训练完成的目标重识别网络很难达到优化的条件，从而影响目标重识别网络的性能。
技术实现思路
[0004]有鉴于此，本专利技术提供一种目标重识别网络的训练方法、目标重识别方法、装置、存储介质及电子设备，用以解决基于浅层数据训练目标重识别网络时，目标重识别网络的性能不佳的问题。
[0005]具体地，本专利技术是通过如下技术方案实现的：
[0006]根据本专利技术的第一方面，提供一种目标重识别网络的训练方法，所述方法包括：
[0007]获取设定数量的样本图像；
[0008]将所述设定数量的样本图像输入到待训练网络，所述待训练网络包括孪生结构的第一特征编码网络和第二特征编码网络；
[0009]基于所述第一特征编码网络针对每张所述样本图像输出的预测向量计算分类损失；以及
[0010]基于所述第一特征编码网络针对每张所述样本图像输出的第一特征向量，和特征记忆存储器中存储的样本图像对应的第二特征向量，计算成对余弦损失，所述第二特征向量包括所述第二特征编码网络针对每张所述样本图像输出的特征向量；
[0011]联合所计算的分类损失和所计算的成对余弦损失对所述第一特征编码网络进行调优，获得所述第一特征编码网络的调整参数；
[0012]基于所述调整参数，通过指数移动平均的方式更新所述第二特征编码网络的参数；
[0013]返回获取设定数量的样本图像的步骤进行迭代，直到迭代次数达到迭代次数上限，待训练网络的训练完成，得到所述目标重识别网络。
[0014]在一些实施例中，所述所计算的分类损失为所述设定数量的样本图像的分类损失
的平均值。
[0015]在一些实施例中，所述所计算的成对余弦损失为所述设定数量的样本图像的成对余弦损失的平均值。
[0016]在一些实施例中，计算样本图像的成对余弦损失，包括：
[0017]分别确定该样本图像对应的第一特征向量与特征记忆存储器中存储的该样本图像的各个正样本对应的第二特征向量之间的第一余弦相似度；以及
[0018]分别确定该样本图像对应的第一特征向量与特征记忆存储器中存储的该样本图像的各个负样本对应的第二特征向量之间的第二余弦相似度；
[0019]基于所述第一余弦相似度和所述第二余弦相似度，确定该样本图像的成对余弦损失。
[0020]在一些实施例中，所述获取设定数量的样本图像，包括：
[0021]获取第一训练样本图像集；
[0022]对所述第一训练样本图像集进行数据清洗，得到清洗后的第二训练样本图像集；
[0023]每次迭代均从所述第二训练样本图像集中选取设定数量的样本图像。
[0024]在一些实施例中，所述对所述第一训练样本图像集进行数据清洗，得到清洗后的第二训练样本图像集，包括：
[0025]对所述第一训练样本图像集进行按照标注进行分类；
[0026]对于每个类别的样本图像进行类内清洗；
[0027]对类内清洗后的所有类别的样本图像进行类间清洗；
[0028]对类间清洗后的每个类别的样本图像进行长尾数据去除，得到所述第二训练样本图像集。
[0029]在一些实施例中，所述对于每个类别的样本图像进行类内清洗，包括：
[0030]对于每个类别的样本图像，确定聚类中心个数；
[0031]使用K
‑
mean聚类方法对该类别的所有样本图像进行聚类，将每张样本图像分配到距离最近的聚类中心，以实现对该类别的所有样本图像进行分组；
[0032]对于每个组中的每一张样本图像，计算该张样本图像和该组中剩余的所有样本图像的平均相似度；
[0033]若所述平均相似度低于设定阈值，则删除该张样本图像。
[0034]在一些实施例中，所述对类内清洗后的所有类别的样本图像进行类间清洗，包括：
[0035]将每个类别的样本图像视为一个簇，对于所有簇中的任意两个，确定所述两个簇之间的相似度；
[0036]若所述两个簇之间的相似度大于或等于设定阈值，则将所述两个簇合并。
[0037]在一些实施例中，所述对类间清洗后的每个类别的样本图像进行长尾数据去除，包括：
[0038]对于类间清洗后的每个类别的样本图像，若该类别的样本图像的数量少于设定值，则删除该类别的样本图像。
[0039]根据本专利技术的第二方面，提供一种目标重识别方法，所述目标重识别方法采用第一方面或第一方面的任意可能的实现方式中的目标重识别网络的训练方法训练而成的目标重识别网络进行目标重识别。
[0040]根据本专利技术的第三方面，提供一种目标重识别网络的训练装置，所述装置包括用于执行第一方面或第一方面的任意可能的实现方式中的目标重识别网络的训练方法的模块。
[0041]根据本专利技术的第四方面，提供一种一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面或第一方面的任意可能的实现方式中的目标重识别网络的训练方法的步骤。
[0042]根据本专利技术的第五方面，提供一种一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第二方面或第二方面的任意可能的实现方式中的目标重识别方法的步骤。
[0043]根据本专利技术的第六方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面的任意可能的实现方式中的目标重识别网络的训练方法的步骤。
[0044]根据本专利技术的第七方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第二方面或第二方面的任意可能的实现方式中的目标重识别方法的步骤。
[0045]根据本公开实施例的第八方面，提供一种计算机程序产品，包括计算机程序，所述程序被处理器执行时实现第一方面或第一方面的任意可能的实现方式中的目标重识别网络的训练方法的步骤。
[0046]根据本公开实施例的第九方面，提供一种计算机程序产品，包括计算机程序，所述程序本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标重识别网络的训练方法，其特征在于，所述方法包括：获取设定数量的样本图像；将所述设定数量的样本图像输入到待训练网络，所述待训练网络包括孪生结构的第一特征编码网络和第二特征编码网络；基于所述第一特征编码网络针对每张所述样本图像输出的预测向量计算分类损失；以及基于所述第一特征编码网络针对每张所述样本图像输出的第一特征向量，和特征记忆存储器中存储的样本图像对应的第二特征向量，计算成对余弦损失，所述第二特征向量包括所述第二特征编码网络针对每张所述样本图像输出的特征向量；联合所计算的分类损失和所计算的成对余弦损失对所述第一特征编码网络进行调优，获得所述第一特征编码网络的调整参数；基于所述调整参数，通过指数移动平均的方式更新所述第二特征编码网络的参数；返回获取设定数量的样本图像的步骤进行迭代，直到迭代次数达到迭代次数上限，待训练网络的训练完成，得到所述目标重识别网络。2.根据权利要求1所述的方法，其特征在于，所述所计算的分类损失为所述设定数量的样本图像的分类损失的平均值。3.根据权利要求1所述的方法，其特征在于，所述所计算的成对余弦损失为所述设定数量的样本图像的成对余弦损失的平均值。4.根据权利要求1或3所述的方法，其特征在于，计算样本图像的成对余弦损失，包括：分别确定该样本图像对应的第一特征向量与特征记忆存储器中存储的该样本图像的各个正样本对应的第二特征向量之间的第一余弦相似度；以及分别确定该样本图像对应的第一特征向量与特征记忆存储器中存储的该样本图像的各个负样本对应的第二特征向量之间的第二余弦相似度；基于所述第一余弦相似度和所述第二余弦相似度，确定该样本图像的成对余弦损失。5.根据权利要求1所述的方法，其特征在于，所述获取设定数量的样本图像，包括：获取第一训练样本图像集；对所述第一训练样本图像集进行数据清洗，得到清洗后的第二训练样本图像集；每次迭代均从所述第二训练样本图像集中选取设定数量的样本图像。6.根据权利要求5所述的方法，其特征在于，所述对所述第一训练样本图像集进行数据清洗，得到清洗后的第二训练样本图像集，包括：对所述第一训练样本图像集进行按照标注进行分类；对于每个类别的样本图像进行类内清洗；对类内清洗后的所有类别的样本图像进行类间清洗；对类间清洗后的每个类别的样本图像进行长尾数据去除，得到所述第二训练样本图像集。7.根据权利要求6所述的方法，其特征在于，所述对于每个类别的样本图像进行类内清洗，包括：对于每个类别的样本图像，确定聚类中心个数；使用K
‑...
【专利技术属性】
技术研发人员：廖星宇，何凌霄，程鹏，王林芳，梅涛，
申请(专利权)人：京东科技控股股份有限公司，
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。