[發明專利]用于生成目標再識別模型和用于目標再識別的方法和裝置

在審

• 申請號: 202011143731.3
• 申請日: 2020-10-23
• 公開（公告）號: CN112149637A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 王之港;王健;丁二銳;孫昊
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種用于生成目標再識別模型的方法，包括：

獲取有標簽的樣本集、無標簽的樣本集、經監督式訓練得到的初始化模型；

使用所述初始化模型對所述無標簽的樣本集中每個樣本進行特征提?。?/p>

使用聚類算法對從無標簽的樣本集提取的特征進行聚類；

對于所述無標簽的樣本集中每個樣本，根據該樣本在特征空間中對應的類簇為該樣本分配偽標簽；

將具有偽標簽的樣本集和所述有標簽的樣本集混合作為訓練樣本集，對所述初始化模型進行監督式訓練得到目標再識別模型。

2.根據權利要求1所述的方法，其中，所述將具有偽標簽的樣本集和所述有標簽的樣本集混合作為訓練樣本集，對所述初始化模型進行監督式訓練得到目標再識別模型，包括：

使用所述初始化模型對所述有標簽的樣本集中每個樣本進行特征提取；

使用圖卷積神經網絡對具有偽標簽的樣本集中每個樣本的特征和所述有標簽的樣本集中每個樣本的特征進行融合，得到每個樣本的融合特征；

基于具有偽標簽的樣本集中每個樣本的融合特征和所述有標簽的樣本集每個樣本的融合特征訓練所述初始化模型，得到目標再識別模型。

3.根據權利要求2所述的方法，其中，所述圖卷積神經網絡包括第一圖卷積層和第二圖卷積層，其中，

所述第一圖卷積層包括至少一個代表樣本的樣本節點和至少一個代表樣本集的代理節點，屬于同一樣本集的樣本節點單向連接到同一個代理節點，各代理節點之間互連，每個代理節點將與其連接的樣本節點的樣本特征加權求和得到該代理節點的代理特征，將所有代理節點的代理特征通過所述圖卷積層進行融合，得到所述第一圖卷積層的代理節點的輸出特征；

所述第二層圖卷積層包括至少一個代表樣本的樣本節點和至少一個代表樣本集的代理節點，屬于同一樣本集的樣本節點雙向連接到同一個代理節點，各代理節點之間互連，將所述第一圖卷積層的代理節點的輸出特征通過所述第二圖卷積層進行融合，得到每個樣本節點的輸出特征。

4.根據權利要求3所述的方法，其中，所述圖卷積神經網絡包括所述第一圖卷積層和至少一個第二圖卷積層，其中，所述第一圖卷積層的輸出作為第二圖卷積層的輸入，每個第二圖卷積層的輸出特征作為下一個第二圖卷積層的輸入或所述初始化模型的分類層的輸入。

5.根據權利要求2所述的方法，其中，所述方法采用至少一種有標簽的樣本集，每種有標簽的樣本集來自一種數據源。

6.一種用于目標再識別的方法，包括：

獲取待識別的監控圖像；

將所述監控圖像輸入根據權利要求1-5之一中任一項所述的方法訓練的目標再識別模型，生成目標再識別結果。

7.一種用于生成目標再識別模型的裝置，包括：

獲取單元，被配置成獲取有標簽的樣本集、無標簽的樣本集、經監督式訓練得到的初始化模型；

特征提取單元，被配置成使用所述初始化模型對所述無標簽的樣本集中每個樣本進行特征提??；

聚類單元，被配置成使用聚類算法對從無標簽的樣本集提取的特征進行聚類；

分配單元，被配置成對于所述無標簽的樣本集中每個樣本，根據該樣本在特征空間中對應的類簇為該樣本分配偽標簽；

訓練單元，被配置成將具有偽標簽的樣本集和所述有標簽的樣本集混合作為訓練樣本集，對所述初始化模型進行監督式訓練得到目標再識別模型。

8.根據權利要求7所述的裝置，其中，所述訓練單元進一步被配置成：

使用所述初始化模型對所述有標簽的樣本集中每個樣本進行特征提取；

使用圖卷積神經網絡對具有偽標簽的樣本集中每個樣本的特征和所述有標簽的樣本集中每個樣本的特征進行融合，得到每個樣本的融合特征；

基于具有偽標簽的樣本集中每個樣本的融合特征和所述有標簽的樣本集每個樣本的融合特征訓練所述初始化模型，得到目標再識別模型。