[發明專利]模型訓練方法及裝置、電子設備和可讀存儲介質

在審

• 申請號: 202011337229.6
• 申請日: 2020-11-25
• 公開（公告）號: CN114550022A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 唐小軍
• 申請（專利權）人: 京東方科技集團股份有限公司
• 主分類號: G06V20/30
• 分類號: G06V20/30;G06V20/52;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 黃玉霞

1.一種模型訓練方法，所述模型應用于行人重識別，其特征在于，包括：

根據神經網絡模型當前訓練結果確定多個識別對象的當前權值矩陣；

根據所述當前權值矩陣計算多個所述識別對象對應的難度向量；和

根據所述難度向量選擇下一次訓練的多個所述識別對象的下一訓練樣本。

2.根據權利要求1所述的方法，其特征在于，所述根據所述當前權值矩陣計算多個所述識別對象對應的難度向量包括：

根據所述當前權值矩陣的轉置矩陣和所述當前權值矩陣計算得到余弦距離矩陣；

所述余弦距離矩陣通過下列條件式計算得到：

D＝W*W^T

其中，D為所述余弦距離矩陣，W^T為所述當前權值矩陣的轉置矩陣，W為所述當前權值矩陣。

3.根據權利要求2所述的方法，其特征在于，所述根據所述當前權值矩陣計算多個所述識別對象對應的難度向量包括：

根據所述余弦距離矩陣按以下條件式計算多個所述識別對象對應的難度向量：

C_i＝max_n≠iD(i,n)；和

C＝{C₁,C₂,C₃,…,C_N}

其中，i表示余弦矩陣D中的行數為第i行，n表示余弦矩陣D中的列數為第n列，C為多個所述識別對象對應的難度向量，C_i為所述第i個識別對象對應的識別難度，N表示識別對象的數量。

4.根據權利要求3所述的方法，其特征在于，所述根據所述難度向量選擇下一次訓練的多個所述識別對象的下一訓練樣本包括：

確定多個所述識別對象對應的難度向量中難度最大的目標識別對象；

在訓練數據集中選擇第一數量的目標識別對象的樣本并隨機選擇第二數量的多個所述識別對象的樣本以形成所述下一訓練樣本。

5.根據權利要求3所述的方法，其特征在于，所述根據所述難度向量選擇下一次訓練的多個所述識別對象的下一訓練樣本包括：

根據多個所述識別對象對應的難度向量確定每個所述識別對象的識別難度概率；

根據所述識別難度概率從訓練數據集中選擇預定數量的所述下一訓練樣本。

6.根據權利要求1所述的方法，其特征在于，所述根據神經網絡模型當前訓練結果確定多個識別對象的當前權值矩陣包括：

通過所述神經網絡模型對當前訓練樣本進行特征提取以得到所述當前訓練樣本的特征向量；

根據神經網絡全連接操作對所述特征向量進行處理，得到多個所述識別對象對應的置信度；

將全連接操作的權值矩陣中每個行向量對應每個所述識別對象的特征向量，對每個權值矩陣的所述行向量進行規范化，使得所述權值矩陣每個行向量的二范數為1。

7.根據權利要求6所述的方法，其特征在于，所述對每個權值矩陣的所述行向量進行規范化，使得所述權值矩陣每個行向量的二范數為1包括：

根據以下條件式對所述權值矩陣的所述行向量進行規范化：

其中，W₀(i,j)指的是規范化前的所述權值矩陣中第i行j列的元素；S(i)指的是規范化前的所述權值矩陣的均方值；W(i,j)指的是規范化后的所述當前權值矩陣中第i行j列的元素。

8.一種模型訓練裝置，其特征在于，包括：

確定模塊，所述確定模塊用于根據神經網絡模型當前訓練結果確定多個識別對象的當前權值矩陣；

計算模塊，所述計算模塊用于根據所述當前權值矩陣計算多個所述識別對象對應的難度向量；和

選擇模塊，所述選擇模塊用于根據所述難度向量選擇下一次訓練的多個所述識別對象的下一訓練樣本。

9.一種電子設備，其特征在于，包括處理器和存儲器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時實現1-7任一項所述的模型訓練方法。

10.一種計算機程序的非易失性計算機可讀存儲介質，其特征在于，當所述計算機程序被一個或多個處理器執行時，實現權利要求1-7中任一項所述的模型訓練方法。