[發明專利]圖像再識別方法、裝置及電子設備

有效

• 申請號: 201810810555.0
• 申請日: 2018-07-20
• 公開（公告）號: CN108960189B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 魏秀參
• 申請（專利權）人: 南京曠云科技有限公司;徐州曠視數據科技有限公司;北京曠視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 唐維虎

1.一種圖像再識別方法，其特征在于，包括：

獲取待識別圖像的特征圖和特征向量，所述特征向量是對所述特征圖處理后得到的；

將所述特征向量輸入循環神經網絡，以使所述循環神經網絡在第一時間步生成所述待識別圖像的初步識別結果；

根據所述特征圖和所述初步識別結果，得到注意力特征向量；

將所述注意力特征向量輸入所述循環神經網絡，以使所述循環神經網絡在第二時間步根據所述注意力特征向量和所述初步識別結果，輸出所述待識別圖像的細分識別結果；

根據所述特征圖和所述初步識別結果，得到注意力特征向量的步驟，包括：

根據所述特征圖和所述初步識別結果，得到注意力特征圖；

將所述注意力特征圖輸入第二池化層，得到所述注意力特征向量；

根據所述特征圖和所述初步識別結果，得到注意力特征圖的步驟，包括：

通過變換網絡，將所述初步識別結果轉換為注意力權重圖；所述變換網絡包括兩層全連接層和位于所述兩層全連接層之間的第一激活函數；

通過注意力網絡，對所述特征圖和所述注意力權重圖進行計算，得到所述注意力特征圖。

2.根據權利要求1所述的方法，其特征在于，所述獲取待識別圖像的特征圖和特征向量的步驟，包括：

通過卷積神經網絡提取所述待識別圖像的特征圖；所述卷積神經網絡包括至少一個卷積層；

通過第一池化層對所述特征圖進行降維處理，得到所述特征向量。

3.根據權利要求2所述的方法，其特征在于，所述注意力權重圖中包含的注意力權重值與所述特征圖中包含的特征值一一對應；

所述通過注意力網絡，對所述特征圖和所述注意力權重圖進行計算，得到所述注意力特征圖的步驟，包括：

將每個特征值與對應的注意力權重值進行內積后通過第二激活函數，得到每個特征值對應的注意力分值；

對所述注意力分值進行全局歸一化處理后，再與對應的特征值做元素乘積，得到所述注意力特征圖。

4.根據權利要求2～3中的任一項所述的方法，其特征在于，在獲取待再識別圖像的目標特征圖以及目標特征向量的步驟之前，所述方法還包括：

獲取訓練圖像樣本集；

采用所述訓練圖像樣本集對所述卷積神經網絡、所述變換網絡、所述注意力網絡或所述循環神經網絡中的至少一種網絡進行訓練。

5.根據權利要求4所述的方法，其特征在于，所述采用所述訓練圖像樣本集對所述卷積神經網絡、所述變換網絡、所述注意力網絡或所述循環神經網絡中的至少一種網絡進行訓練的步驟，包括：

從所述訓練圖像樣本集中隨機選取訓練圖像，通過所述卷積神經網絡，得到所述訓練圖像的特征圖以及特征向量；

將所述訓練圖像的特征向量輸入所述循環神經網絡，得到所述循環神經網絡在第一時間步輸出的所述訓練圖像的初步識別結果；

根據預設的第一特征標簽，通過第一損失函數對所述訓練圖像的初步識別結果進行檢驗，得到第一損失函數值；

將所述訓練圖像的初步識別結果輸入變換網絡，得到所述訓練圖像的注意力權重圖；

將所述訓練圖像的特征圖和所述訓練圖像的注意力權重圖輸入所述注意力網絡，得到所述訓練圖像的注意力特征向量；

將所述訓練圖像的注意力特征向量輸入所述循環神經網絡，得到所述循環神經網絡在第二時間步輸出的所述訓練圖像的細分識別結果；

根據預設的第二特征標簽，通過第二損失函數對所述訓練圖像的細分識別結果進行檢驗，得到第二損失函數值；

將所述第一損失函數值與所述第二損失函數值之和作為損失函數值，基于所述損失函數值，對所述卷積神經網絡、所述變換網絡、所述注意力網絡和所述循環神經網絡中的至少一種網絡的參數進行訓練。