【技术实现步骤摘要】
人体识别模型的训练方法及装置
[0001]本公开涉及机器学习
，尤其涉及一种人体识别模型的训练方法及装置。
技术介绍
[0002]现有人体识别技术没有对样本特征进行跨层多语义交互计算(也就是对多个阶段网络输出的特征没有进行交互计算)，也没有对样本局部特征进行增强操作，这会导致对样本信息的利用不够充分，进而导致训练后的人体识别模型的精度低。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：对样本信息的利用不够充分，导致人体识别模型的精度低的问题。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种人体识别模型的训练方法、、装置、电子设备及计算机可读存储介质，以解决现有技术中，对样本信息的利用不够充分，导致人体识别模型的精度低的问题。
[0005]本公开实施例的第一方面，提供了一种人体识别模型的训练方法，包括：构建特征交互网络、局部特征增强网络和局部特征优化网络，以残差神经网络为主干网络，依次后接特征交互网络、局部特征增强网络和局部特征优化网络，得...
【技术保护点】
【技术特征摘要】
1.一种人体识别模型的训练方法，其特征在于，包括：构建特征交互网络、局部特征增强网络和局部特征优化网络，以残差神经网络为主干网络，依次后接所述特征交互网络、所述局部特征增强网络和所述局部特征优化网络，得到人体识别模型；获取人体训练数据集，将所述人体训练数据集中训练样本输入所述人体识别模型；分别通过所述残差神经网络的多个阶段网络输出多个阶段特征；利用所述特征交互网络对多个阶段特征进行特征融合处理，得到融合特征，并对多个阶段特征和所述融合特征进行交互处理，得到总交互特征；利用所述局部特征增强网络处理所述总交互特征，得到样本特征以及多个局部特征；基于所述样本特征以及多个局部特征，利用损失函数完成对所述人体识别模型的训练。2.根据权利要求1所述的方法，其特征在于，所述分别通过所述残差神经网络的多个阶段网络输出多个阶段特征，包括：分别通过所述残差神经网络的第二阶段网络、第三阶段网络和第四阶段网络输出第一阶段特征、第二阶段特征和第三阶段特征；其中，所述残差神经网络包含第零阶段网络、第一阶段网络、第二阶段网络、第三阶段网络和第四阶段网络。3.根据权利要求1所述的方法，其特征在于，所述利用所述特征交互网络对多个阶段特征进行特征融合处理，得到融合特征，并对多个阶段特征和所述融合特征进行交互处理，得到总交互特征，包括：多个阶段特征，包括：第一阶段特征、第二阶段特征和第三阶段特征；将所述第一阶段特征依次经过第一卷积层、第一激活层、第二卷积层和所述第一激活层，得到第一特征，将所述第二阶段特征依次经过所述第一卷积层和所述第一激活层，得到第二特征，将所述第三阶段特征依次经过所述第一卷积层、上采样层、第三卷积层和所述第一激活层，得到第三特征；对所述第一特征、所述第二特征和所述第三特征进行特征堆叠处理、卷积计算和批量归一化处理，得到所述融合特征，其中，所述卷积计算和所述第三卷积层的处理一致；对所述第一阶段特征和所述融合特征进行所述交互处理，得到第一交互特征；对所述第三阶段特征和所述融合特征进行所述交互处理，得到第二交互特征；对所述第一交互特征和所述第二交互特征进行所述特征堆叠处理后，将处理结果依次经过所述第一卷积层、组归一化处理层和所述第一激活层，得到总交互特征。4.根据权利要求3所述的方法，其特征在于，所述对所述第一阶段特征和所述融合特征进行所述交互处理，得到第一交互特征，包括：对所述第一阶段特征进行所述卷积计算，得到第四特征，对所述融合特征进行维度变换处理，得到第五特征；将所述第四特征乘以所述第五特征的转置，利用归一化指数函数处理相乘的结果，再将处理的结果乘以所述第五特征，得到第六特征；将第六特征左乘第一参数矩阵，右乘第二参数矩阵，得到所述第一交互特征。5.根据权利要求3所述的方法，其特征在于，所述对所述第三阶段特征和所述融合特征
进行所述交互处理，得到第二交互特征，包括：对所述第三阶段特征进行所述卷积计算，得到第七特征，对所述融合特征...
【专利技术属性】
技术研发人员：黄泽元，
申请(专利权)人：北京龙智数科科技服务有限公司，
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。