[發明專利]模型訓練方法、對象識別方法、裝置、設備及存儲介質

在審

• 申請號: 202011136289.1
• 申請日: 2020-10-22
• 公開（公告）號: CN112016531A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 朱翔宇;羅振波;付培;吉翔
• 申請（專利權）人: 成都睿沿科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 鐘揚飛

1.一種模型訓練方法，其特征在于，所述方法包括：

獲取多張訓練圖像，每張訓練圖像對應的標簽數據包括對象標識和場景標識，所述對象標識用于作為模型訓練的正向監督信號，所述場景標識用于作為模型訓練的反向監督信號，所述正向監督信號用于促進模型在訓練過程中學習與對象相關的特征信息，所述反向監督信號用于抑制模型在訓練過程中學習與場景相關的特征信息；

將所述多張訓練圖像輸入神經網絡模型中，獲得神經網絡模型輸出的識別結果；

根據所述識別結果與所述標簽數據計算損失函數的損失值；

根據所述損失值更新所述神經網絡模型的網絡參數。

2.根據權利要求1所述的方法，其特征在于，所述識別結果包括針對對象識別的第一識別結果和針對場景識別的第二識別結果，所述根據所述識別結果與所述標簽數據計算損失函數的損失值，包括：

根據所述第一識別結果與所述對象標識計算獲得第一損失函數的第一損失值；

根據所述第二識別結果與所述場景標識計算獲得第二損失函數的第二損失值；

所述根據所述損失值更新所述神經網絡模型的網絡參數，包括：

根據所述第一損失值與所述第二損失值獲取最終損失值；

根據所述最終損失值更新所述神經網絡模型的網絡參數。

3.根據權利要求2所述的方法，其特征在于，所述最終損失值與所述第一損失值的變化趨勢相同，所述最終損失值與所述第二損失值的變化趨勢相反。

4.根據權利要求2所述的方法，其特征在于，所述最終損失值為所述第一損失值減去所述第二損失值獲得的損失值。

5.根據權利要求1所述的方法，其特征在于，所述場景標識為攝像頭標識。

6.一種對象識別方法，其特征在于，所述方法包括：

獲取至少兩張圖像；

通過神經網絡模型提取每張圖像中的對象特征；

根據所述至少兩張圖像中的對象特征，確定所述至少兩張圖像中的對象是否為同一對象；

其中，所述神經網絡模型為通過以下方式訓練得到：

獲取多張訓練圖像，每張訓練圖像對應的標簽數據包括對象標識和場景標識，所述對象標識用于作為模型訓練的正向監督信號，所述場景標識用于作為模型訓練的反向監督信號，所述正向監督信號用于促進模型在訓練過程中學習與對象相關的特征信息，所述反向監督信號用于抑制模型在訓練過程中學習與場景相關的特征信息；

將所述多張訓練圖像輸入神經網絡模型中，獲得神經網絡模型輸出的識別結果；

根據所述識別結果與所述標簽數據計算損失函數的損失值；

根據所述損失值更新所述神經網絡模型的網絡參數。

7.一種模型訓練裝置，其特征在于，所述裝置包括：

訓練圖像獲取模塊，用于獲取多張訓練圖像，每張訓練圖像對應的標簽數據包括對象標識和場景標識，所述對象標識用于作為模型訓練的正向監督信號，所述場景標識用于作為模型訓練的反向監督信號，所述正向監督信號用于促進模型在訓練過程中學習與對象相關的特征信息，所述反向監督信號用于抑制模型在訓練過程中學習與場景相關的特征信息；

檢測模塊，用于將所述多張訓練圖像輸入神經網絡模型中，獲得神經網絡模型輸出的識別結果；

損失值計算模塊，用于根據所述識別結果與所述標簽數據計算損失函數的損失值；

參數更新模塊，用于根據所述損失值更新所述神經網絡模型的網絡參數。

8.一種對象識別裝置，其特征在于，所述裝置包括：

圖像獲取模塊，用于獲取至少兩張圖像；

特征提取模塊，用于通過神經網絡模型提取每張圖像中的對象特征，其中，所述神經網絡模型為通過權利要求1-5中任一項所述的模型訓練方法得到；

對象識別模塊，用于根據所述至少兩張圖像中的對象特征，確定所述至少兩張圖像中的對象是否為同一對象。