【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种人体重识别模型的训练方法、装置、设备及介质。
技术介绍
1、随着人工智能技术的进步与发展，在企业管理和公共安全需求的日益增长下，人体重识别技术因其能够实现跨越时间和空间对目标人群进行跟踪、匹配与身份鉴定的能力，已经大量应用于社会生活中的方方面面，也是近年来计算机视觉领域的研究热点之一。重识别本质上是计算样本的相似度或者距离，然后根据相似度或者距离对样本进行排序，进而找到与查询样本属于同一个人的图像。
2、基于监督学习的重识别方法原理是将人体图像作为重识别模型的输入，将人工标注的人体身份标签作为模型的期望输出，从而训练模型提取人体图像的身份特征，并对人体身份分类。由于监督学习方法需要人工标注大量成对数据标签，但是在实际应用中，为每个应用场景标注大规模的数据集成本高昂，该方法在实际应用中受到了较大限制。为了解决这个问题，近年来一些基于自监督的重识别方法主要通过在对未标记的数据上进行聚类，或从已标记的源数据域中将知识迁移到目标数据域上。然而，现有的自监督重识别方法得到的重识别模型的重识别精度并不令人满意，与有监督算法相比，其重识别精度显著下降。因此，在进行自监督的重识别学习中，如何重识别模型的重识别精度成为亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种人体重识别模型的训练方法、装置、设备及介质，以解决在进行自监督的重识别学习中，重识别模型的重识别精度较低的问题。
2、第一方面，本专利技术实施例提供一种人
3、获取输入人体图像以及对所述输入人体图像的预设分类维度；
4、基于所述预训练好的编码器对所述输入人体图像进行部分编码，得到部分编码结果，并将所述部分编码结果输入一解码器进行重构，计算重构损失；
5、基于所述预训练好的编码器对所述输入人体图像的两种数据增强后的图像分别进行编码，得到两个增强编码结果，并将所述两个增强编码结果进行对比学习，计算对比学习损失；
6、基于所述预训练好的编码器对所述输入人体图像进行全部编码，得到全部编码结果，对所述全部编码结果进行投影分类，得到分类结果，基于所述预设分类维度，对所述全部编码结果进行聚类，得到聚类结果，根据所述聚类结果和所述分类结果，计算分类损失；
7、根据所述重构损失、所述对比学习损失与所述分类损失，对所述预训练好的编码器进行优化，得到优化的编码器；
8、基于所述优化的编码器构建人体重识别模型，得到目标人体重识别模型。
9、第二方面，本专利技术实施例提供一种人体重识别模型的训练装置，所述人体重识别模型包括预训练好的编码器，所述训练装置包括：
10、获取模块，用于获取输入人体图像以及对所述输入人体图像的预设分类维度；
11、重构损失计算模块，用于基于所述预训练好的编码器对所述输入人体图像进行部分编码，得到部分编码结果，并将所述部分编码结果输入一解码器进行重构，计算重构损失；
12、对比学习损失计算模块，用于基于所述预训练好的编码器对所述输入人体图像的两种数据增强后的图像分别进行编码，得到两个增强编码结果，并将所述两个增强编码结果进行对比学习，计算对比学习损失；
13、分类损失计算模块，用于基于所述预训练好的编码器对所述输入人体图像进行全部编码，得到全部编码结果，对所述全部编码结果进行投影分类，得到分类结果，基于所述预设分类维度，对所述全部编码结果进行聚类，得到聚类结果，根据所述聚类结果和所述分类结果，计算分类损失；
14、优化模块，用于根据所述重构损失、所述对比学习损失与所述分类损失，对所述预训练好的编码器进行优化，得到优化的编码器；
15、构建模块，用于基于所述优化的编码器构建人体重识别模型，得到目标人体重识别模型。
16、第三方面，本专利技术实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的训练方法。
17、第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的训练方法。
18、本专利技术与现有技术相比存在的有益效果是：
19、获取输入人体图像以及对输入人体图像的预设分类维度，基于预训练好的编码器对输入人体图像进行部分编码，得到部分编码结果，并将部分编码结果输入一解码器进行重构，计算重构损失，基于预训练好的编码器对输入人体图像的两种数据增强后的图像分别进行编码，得到两个增强编码结果，并将两个增强编码结果进行对比学习，计算对比学习损失，基于预训练好的编码器对输入人体图像进行全部编码，得到全部编码结果，对全部编码结果进行投影分类，得到分类结果，基于预设分类维度，对全部编码结果进行聚类，得到聚类结果，根据聚类结果和分类结果，计算分类损失，根据重构损失、对比学习损失与分类损失，对预训练好的编码器进行优化，得到优化的编码器，基于优化的编码器构建人体重识别模型，得到目标人体重识别模型。本申请中，使用自监督的方式对待训练的人体重识别模型中的编码器进行优化，优化时，无须进行数据标注，提高了优化效率，且在编码器优化过程中，分别计算编码器在不同任务中的损失，包括重构损失、相似度损失与分类损失，联合不同任务中的损失对待训练的人体重识别模型中的编码器进行优化，提高了优化精度，从而使用优化的编码器构建的人体重识别模型进行人体重识别任务时，提高了人体重识别模型的重识别精度。
本文档来自技高网...【技术保护点】
1.一种人体重识别模型的训练方法，其特征在于，所述人体重识别模型包括预训练好的编码器，所述训练方法包括：
2.如权利要求1所述的训练方法，其特征在于，所述基于所述预训练好的编码器对所述输入人体图像进行部分编码，得到部分编码结果，并将所述部分编码结果输入一解码器进行重构，计算重构损失，包括：
3.如权利要求1所述的训练方法，其特征在于，所述基于所述预训练好的编码器对所述输入人体图像的两种数据增强后的图像分别进行编码，得到两个增强编码结果，并将所述两个增强编码结果进行对比学习，计算对比学习损失，包括：
4.如权利要求1所述的训练方法，其特征在于，所述预设分类维度包括背景分类维度、人体上半身分类维度和人体下半身分类维度，所述对所述全部编码结果进行投影分类，得到分类结果，基于所述预设分类维度，对所述全部编码结果进行聚类，得到聚类结果，根据所述聚类结果和所述分类结果，计算分类损失，包括：
5.如权利要求1所述的训练方法，其特征在于，所述根据所述重构损失、所述对比学习损失与所述分类损失，对所述预训练好的编码器进行优化，得到优化的编码器，包括：<...
【技术特征摘要】
1.一种人体重识别模型的训练方法，其特征在于，所述人体重识别模型包括预训练好的编码器，所述训练方法包括：
2.如权利要求1所述的训练方法，其特征在于，所述基于所述预训练好的编码器对所述输入人体图像进行部分编码，得到部分编码结果，并将所述部分编码结果输入一解码器进行重构，计算重构损失，包括：
3.如权利要求1所述的训练方法，其特征在于，所述基于所述预训练好的编码器对所述输入人体图像的两种数据增强后的图像分别进行编码，得到两个增强编码结果，并将所述两个增强编码结果进行对比学习，计算对比学习损失，包括：
4.如权利要求1所述的训练方法，其特征在于，所述预设分类维度包括背景分类维度、人体上半身分类维度和人体下半身分类维度，所述对所述全部编码结果进行投影分类，得到分类结果，基于所述预设分类维度，对所述全部编码结果进行聚类，得到聚类结果，根据所述聚类结果和所述分类结果，计算分类损失，包括：
...【专利技术属性】
技术研发人员：何烨林，魏新明，肖嵘，
申请(专利权)人：深圳云天励飞技术股份有限公司，
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。