模型训练方法、非机动车跨镜追踪方法、装置及介质制造方法及图纸

本发明专利技术涉及深度学习技术领域，具体提供一种模型训练方法、非机动车跨镜追踪方法、装置及介质，旨在解决如何高效、及时、准确地实现非机动车的跨镜追踪的问题。为此目的，本发明专利技术根据不同镜头采集的非机动车的图像数据进行标注，获得标注数据，应用标注数据对深度学习模型进行训练，获得训练好的教师模型，对教师模型进行知识蒸馏获得学生模型，根据目标域数据，对学生模型进行模型调整，获得训练好的非机动车跨镜追踪模型，能够使得深度学习模型获得更好的识别效果，在几乎不损失精度的情况下，增大模型的推理速度，降低模型空间大小以及特征存储大小，解决了不同来源数据差异导致模型识别精度下降的问题。模型识别精度下降的问题。模型识别精度下降的问题。

【技术实现步骤摘要】
模型训练方法、非机动车跨镜追踪方法、装置及介质


[0001]本专利技术涉及深度学习
，具体提供一种模型训练方法、非机动车跨镜追踪方法、装置及介质。

技术介绍

[0002]随着社会经济的发展与城市规模的扩张,城市交通需求大幅度增加。由于城市道路机动车数量众多，导致拥堵，越来越多人选择非机动车(包括电动车，自行车，电动三轮车等)作为日常生活中的代步交通工具，居民的出行方式呈现多样化,自行车和电力驱动非机动车数量急剧增加。
[0003]然而近些年来，非机动车辆被盗警情时有发生，给车主带来经济损失。多数失主在发生丢失被盗的时选择报警，公安需要大量人力对丢失地点及附近各处监控进行排查，耗时长且效率低下。
[0004]相应地，本领域需要一种新的非机动车跨镜方案来解决上述问题。

技术实现思路

[0005]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决如何高效、及时、准确地实现非机动车的跨镜追踪的问题。
[0006]在第一方面，本专利技术提供一种模型训练方法，所述方法包括：
[0007]根据标注数据，对预设的深度学习模型进行训练，获取训练好的教师模型；其中，所述标注数据为通过对不同镜头采集的非机动车的图像数据进行标注获得的；
[0008]将所述训练好的教师模型进行知识蒸馏，获取学生模型；
[0009]根据目标域数据，对所述学生模型进行模型调整，获得最终训练好的非机动车跨镜追踪模型。
[0010]在上述模型训练方法的一个技术方案中，所述根据标注数据，对预设的深度学习模型进行训练，获取训练好的教师模型，包括：
[0011]根据所述标注数据，应用表征损失和度量损失组成的联合损失函数，对所述深度学习模型进行训练，获取训练好的教师模式。
[0012]在上述模型训练方法的一个技术方案中，所述应用表征损失和度量损失组成的联合损失函数，对所述深度学习模型进行训练，包括：
[0013]针对训练的每一次迭代，将所述深度学习模型的原始特征输出层输出的原始特征，输入至所述深度学习模型的BN层，进行归一化处理；
[0014]将所述BN层输出的归一化特征输入至所述深度学习模型的表征学习全连接层，以实现所述深度学习模型的迭代；
[0015]其中，所述原始特征通过所述度量损失进行监督；所述表征学习全连接层的输出通过所述表征损失进行监督。
[0016]在上述模型训练方法的一个技术方案中，所述将所述训练好的教师模型进行知识
蒸馏，获取学生模型，包括：
[0017]将训练好的教师模型进行知识蒸馏，获得小模型，其中所述小模型与所述教师模型的输出特征维度相同；
[0018]应用所述标注数据和所述教师模型输出的软标签对所述小模型进行训练，获得训练好的小模型；
[0019]对训练好的小模型进行输出特征维度降维，以获得所述学生模型。
[0020]在上述模型训练方法的一个技术方案中，所述对训练好的小模型进行输出特征维度降维，包括：
[0021]应用PCA降维方式，对所述训练好的小模型的特征维度进行降维，以获得训练好的小模型。
[0022]在上述模型训练方法的一个技术方案中，所述应用PCA降维方式，对所述训练好的小模型的特征维度进行降维，包括：
[0023]根据所述标注数据，获取所述PCA降维方式的PCA转换矩阵；
[0024]将所述PCA转换矩阵转换为全连接层参数；
[0025]根据所述全连接层参数，对所述小模型的特征维度进行全连接层操作，从而实现所述特征维度的降维。
[0026]在上述模型训练方法的一个技术方案中，所述根据目标域数据，对所述学生模型进行模型调整，包括：
[0027]应用无监督域自适应方法，根据两个所述学生模型，对无标签的所述目标域数据进行聚类，以获取每个所述学生模型的软伪标签；
[0028]基于一个学生模型的软伪标签，对另一学生模型进行相互监督训练，以获取最终训练好的非机动车跨镜追踪模型；或，
[0029]所述根据目标域数据，对所述学生模型进行模型调整，包括：
[0030]根据所述目标域数据建立模型调整数据集；其中，所述模型调整数据集中包含有标签数据和无标签数据；
[0031]应用半监督学习方法，基于所述模型调整数据集，对所述学生模型进行半监督训练，以获得最终训练好的非机动车跨镜追踪模型。
[0032]在第二方面，本专利技术提供一种非机动车跨镜追踪方法，所述方法包括：
[0033]应用训练好的非机动车跨镜追踪模型，对不同镜头采集的非机动车的图像数据进行识别，以获取非机动车跨镜追踪结果；
[0034]其中，所述机动车跨镜追踪模型是根据上述模型训练方法技术方案中所述的模型训练方法进行训练获得的。
[0035]在第三方面，提供一种控制装置，该控制装置包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述模型训练方法的技术方案中任一项技术方案所述的模型训练方法或上述非机动车跨镜追踪方法的技术方案中任一项技术方案所述的非机动车跨镜追踪方法。
[0036]在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述模型训练方法的技术方案中任一项技术方案所述的模型训练方法或上述非机动车跨镜追踪方法的技术方案中任
一项技术方案所述的非机动车跨镜追踪方法。
[0037]本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0038]在实施本专利技术的技术方案中，本专利技术根据不同镜头采集的非机动车的图像数据进行标注，获得标注数据，应用标注数据对深度学习模型进行训练，获得训练好的教师模型，对教师模型进行知识蒸馏获得学生模型，根据目标域数据，对学生模型进行模型调整，获得训练好的非机动车跨镜追踪模型。通过上述配置方式，本专利技术应用大量的标注数据对深度学习模型进行训练，能够使得深度学习模型获得更好的识别效果。通过知识蒸馏将训练好的教师模型性能传递给学生模型，能够在几乎不损失精度的情况下，增大模型的推理速度，同时降低模型空间大小以及特征存储大小。利用目标域数据进行模型调整，能够使得模型在一个全新的数据分布下提高精度，解决了不同来源数据差异导致模型识别精度下降的问题。
附图说明
[0039]参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本专利技术的保护范围组成限制。其中：
[0040]图1是根据本专利技术的一个实施例的模型训练方法的主要步骤流程示意图；
[0041]图2是根据本专利技术实施例的一个实施方式的模型训练方法的主要步骤流程示意图；
[0042]图3是根据本专利技术实施例的一个实施方式的应用无监督域自适应方法对学生模型进行模型调整的主要组成框图；
[0043]图4是根据本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：根据标注数据，对预设的深度学习模型进行训练，获取训练好的教师模型；其中，所述标注数据为通过对不同镜头采集的非机动车的图像数据进行标注获得的；将所述训练好的教师模型进行知识蒸馏，获取学生模型；根据目标域数据，对所述学生模型进行模型调整，获得最终训练好的非机动车跨镜追踪模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述根据标注数据，对预设的深度学习模型进行训练，获取训练好的教师模型，包括：根据所述标注数据，应用表征损失和度量损失组成的联合损失函数，对所述深度学习模型进行训练，获取训练好的教师模式。3.根据权利要求3所述的模型训练方法，其特征在于，所述应用表征损失和度量损失组成的联合损失函数，对所述深度学习模型进行训练，包括：针对训练的每一次迭代，将所述深度学习模型的原始特征输出层输出的原始特征，输入至所述深度学习模型的BN层，进行归一化处理；将所述BN层输出的归一化特征输入至所述深度学习模型的表征学习全连接层，以实现所述深度学习模型的迭代；其中，所述原始特征通过所述度量损失进行监督；所述表征学习全连接层的输出通过所述表征损失进行监督。4.根据权利要求1所述的模型训练方法，其特征在于，所述将所述训练好的教师模型进行知识蒸馏，获取学生模型，包括：将训练好的教师模型进行知识蒸馏，获得小模型，其中所述小模型与所述教师模型的输出特征维度相同；应用所述标注数据和所述教师模型输出的软标签对所述小模型进行训练，获得训练好的小模型；对训练好的小模型进行输出特征维度降维，以获得所述学生模型。5.根据权利要求4所述的模型训练方法，其特征在于，所述对训练好的小模型进行输出特征维度降维，包括：应用PCA降维方式，对所述训练好的小模型的特征维度进行降维，以获得训练好的小模型。6.根据权利要求5所述的模型...

【专利技术属性】
技术研发人员：温建锋，
申请(专利权)人：芜湖云从科技有限公司，
类型：发明
国别省市：