【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种行人属性识别模型的训练方法和行人属性识别方法。
技术介绍
1、行人属性识别(pedestrian attribute recognition，par)是一种计算机视觉任务，它的目的是从预定义的属性列表中预测一组属性来描述输入图像中的行人特征。例如，性别、年龄、朝向、服装和配饰等。以及，行人属性识别可以用于行人检测、行人重识别、行人搜索和行人分析等应用场景。
2、目前，常用的行人属性识别方法包括基于手工特征的方法(简单易实现，但特征表达能力有限，不能适应复杂多变的场景)和基于深度学习的方法。基于深度学习的方法，主要利用深度神经网络提取高层语义特征来表示行人属性，并进行端到端的训练和预测。常用的深度学习方法为监督学习，监督学习基于人工标定的数据集进行模型训练，可解决常见的各种问题。
3、但是，由于监督学习需要大量的标注数据，这可能需要耗费大量的时间和人力成本，而且标注数据数量和质量会极大程度上影响模型的性能；同时监督学习会受到数据分布、噪声等因素的影响，导致模型不稳定或者泛化能力差。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种行人属性识别模型的训练方法和行人属性识别方法，其解决了现有技术中存在着的需要耗费大量的时间和人力成本、模型不稳定的技术问题。
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5
6、在一个可能的实施例中，n的具体值对应的数量级为千量级，m的具体值对应的数量级为万量级，r的具体值对应的数量级为十万量级。
7、在一个可能的实施例中，基于第一样本图像集和第二样本图像集对半监督模型进行训练，获得训练后的半监督模型，包括：对有标签样本图像进行弱数据增强，以获得第一增强后的有标签样本图像，并根据第一增强后的有标签样本图像，获得半监督模型的有标签的交叉熵损失；对第一无标签样本图像进行弱数据增强，以获得第二增强后的无标签样本图像，并通过半监督模型对第二增强后的无标签样本图像进行预测，并对预测的置信度高于阈值的图像打上标签，形成第二伪标签；对第二无标签样本图像进行强数据增强，以获得第三增强后的无标签样本图像，利用第三增强后的无标签样本图像和第二伪标签，获得半监督模型的无标签的交叉熵损失；将有标签的交叉熵损失和无标签的交叉熵损失的和作为半监督模型的总损失，并利用半监督模型的总损失对半监督模型进行训练，以获得训练后的半监督模型。
8、在一个可能的实施例中，利用过滤后的数据集对行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：对过滤后的数据集进行随机采样处理，得到子数据集；对子数据集进行人工验证，获得人工验证处理结果；基于人工验证处理结果对行人属性识别模型进行训练，以获得训练好的行人属性识别模型。
9、在一个可能的实施例中，基于人工验证处理结果对行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：在人工验证处理结果为子数据集的正确率大于等于预设值的情况下，采用监督学习的方式对行人属性识别模型进行训练，以获得训练好的行人属性识别模型。
10、在一个可能的实施例中，基于人工验证处理结果对行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：在人工验证处理结果为子数据集的正确率小于预设值的情况下，采用半监督学习的方式对行人属性识别模型进行训练，以获得训练好的行人属性识别模型。
11、在一个可能的实施例中，采用半监督学习的方式对行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：采用在训练过程中对过滤后的数据集进行去噪的方法进行行人属性识别模型的训练。
12、第二方面，本专利技术实施例提供一种行人属性识别方法，包括：获取待识别图像；待识别图像中包括至少一个行人；将待识别图像输入到训练好的行人属性识别模型中，以获得行人属性识别结果；其中，训练好的行人属性识别模型是通过第一方面任一的行人属性识别模型的训练方法获得的。
13、第三方面，本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
14、第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
15、第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
16、(三)有益效果
17、本专利技术的有益效果是：
18、本申请实施例提供了一种行人属性识别模型的训练方法和行人属性识别方法，通过第一样本图像集和第二样本图像集训练半监督模型，然后基于训练后的半监督模型对第三样本图像集进行推理，生成第一伪标签，再通过置信学习方法对第一伪标签进行过滤，最后对过滤后的数据集进行人工验证，并根据验证结果进行行人属性识别模型的训练，从而相比于现有的方法来说，其不仅能够减少时间和人力成本，还能够提高模型的稳定性。
19、为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种行人属性识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述n的具体值对应的数量级为千量级，所述m的具体值对应的数量级为万量级，所述r的具体值对应的数量级为十万量级。
3.根据权利要求1或2所述的训练方法，其特征在于，所述基于所述第一样本图像集和所述第二样本图像集对半监督模型进行训练，获得训练后的半监督模型，包括：
4.根据权利要求1所述的训练方法，其特征在于，所述利用所述过滤后的数据集对所述行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：
5.根据权利要求4所述的训练方法，其特征在于，所述基于所述人工验证处理结果对所述行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：
6.根据权利要求4所述的训练方法，其特征在于，所述基于所述人工验证处理结果对所述行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：
7.根据权利要求6所述的训练方法，其特征在于，所述采用半监督学习的方式对所述行人属性识别模型进行训练，以获得训练好的行人属
8.一种行人属性识别方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至7中任一项所述的行人属性识别模型的训练方法。
...【技术特征摘要】
1.一种行人属性识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述n的具体值对应的数量级为千量级，所述m的具体值对应的数量级为万量级，所述r的具体值对应的数量级为十万量级。
3.根据权利要求1或2所述的训练方法，其特征在于，所述基于所述第一样本图像集和所述第二样本图像集对半监督模型进行训练，获得训练后的半监督模型，包括：
4.根据权利要求1所述的训练方法，其特征在于，所述利用所述过滤后的数据集对所述行人属性识别模型进行训练，以获得训练好的行人属性识别模型，包括：
5.根据权利要求4所述的训练方法，其特征在于，所述基于所述人工验证处理结果对所述行人属性识别模型进行...
【专利技术属性】
技术研发人员：汝骏仁，宋新宽，郭长柱，吴圣阳，
申请(专利权)人：江苏范特科技有限公司，
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。