本申请的实施例涉及训练神经网络以用于车辆重新识别。在各个示例中，神经网络可以被训练用于在相机网络中的车辆重新识别任务(例如，匹配跨帧的车辆的外观和分类)中使用。神经网络可以被训练以学习嵌入空间，使得与表示不同身份的车辆相比，对应于相同身份的车辆的嵌入被投影为在嵌入空间内彼此更靠近。为了准确且有效地学习嵌入空间，可以使用对比损失函数或三元组损失函数来训练神经网络。此外，为了进一步提高准确度和效率，可以使用采样技术(在此被称为批次样本)来在训练期间识别对更新神经网络的参数最有意义的嵌入。
【技术实现步骤摘要】
本申请的实施例大体上涉及车辆识别，且更具体地涉及训练神经网络以用于车辆重新识别。
技术介绍
1、跨多个相机或来自单个相机的多个帧匹配车辆或其他对象的外观是车辆或对象跟踪应用的完整任务。车辆重新识别的目标是跨相机网络识别同一车辆，这是城市和其他高度拥挤的交通区域中相机的激增所带来的日益复杂的问题。例如，除了潜在地阻碍特定车辆的相机视线的任何数量的永久或瞬态对象之外，由于环境中车辆的数量增加，从跨由任何数量的相机捕获的多个帧的各种不同方向重新识别同一车辆变得越来越具有挑战性。
2、已经开发了常规方法来对人执行重新识别任务，诸如通过使用各种损失函数来训练深度神经网络(dnn)以用于人分类任务。根据一个方法，dnn可使用交叉熵损失来训练，但因为每个身份被视为单独的类别并且类别的数目等于训练集中的身份数目，所以学习变得在计算上禁止。其他常规方法已经使用dnn，该dnn使用对比损失或三元组损失来训练以学习用于嵌入空间的嵌入——例如，用于面部验证的面部嵌入。然而，这些常规方法不能为诸如车辆重新识别之类的任务提供足够准确的结果。
>3、其他常规方法包本文档来自技高网...
【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，其中所述第二计算距离大于所述计算距离。
4.根据权利要求1所述的方法，还包括：
5.根据权利要求1所述的方法，其中跟踪所述对象包括以下项中的至少一者：
6.根据权利要求1所述的方法，其中所述嵌入空间包括小于或等于128个单位的维度。
7.根据权利要求1所述的方法，其中：
8.根据权利要求1所述的方法，其中，在训练期间，至少通过以下操作更新所述神经网络的一个或更多个参数：
9.根据权利要求1所述的方法，其...
【技术特征摘要】
1.一种方法，包括：
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，其中所述第二计算距离大于所述计算距离。
4.根据权利要求1所述的方法，还包括：
5.根据权利要求1所述的方法，其中跟踪所述对象包括以下项中的至少一者：
6.根据权利要求1所述的方法，其中所述嵌入空间包括小于或等于128个单位的维度。
7.根据权利要求1所述的方法，其中：
8.根据权利要求1所述的方法，其中，在训练期间，至少通过以下操作更新所述神经网络的一个或更多个参数：
9.根据权利要求1所述的方法，其中，在训练期间，至少通过以下操作更新所述神经网络的一个或更多个参数：
10.一种系统，包括：
11.根据权利要求10所述的系统，所述一个或更多个处理单元还用于：
12.根据权利要求11所述的系统，其中所述第二计算距离大于所述计算距离。
【专利技术属性】
技术研发人员：F·拉特奈什·库马尔，F·阿格达西，P·史利南，E·韦尔，
申请(专利权)人：辉达公司，
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。