[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

本申請公開了一種模型訓練方法。該模型應用于行人重識別，模型訓練方法包括：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；根據當前權值矩陣計算多個識別對象對應的難度向量；根據難度向量選擇下一次訓練的多個識別對象的下一訓練樣本。本申請的模型訓練方法及裝置、電子設備和可讀存儲介質通過對行人重識別訓練網絡中的當前權值矩陣進行規范化，并計算訓練樣本的難度向量，增大樣本加載過程中難樣本加載概率，從而提高算法對難樣本的區分能力，提升算法準確率。

技術領域

本申請涉及行人重識別技術領域，特別涉及一種行人重識別網絡的模型訓練方法及裝置、電子設備和可讀存儲介質。

背景技術

行人重識別是指對攝像頭捕捉到的行人圖像進行識別，識別行人的ID或者識別兩個行人圖像是否是同一個行人。行人再識別可以實現跨攝像頭的行人搜索，在視頻監控中具有廣泛的應用。目前的神經網絡模型中行人再識別的算法準確率較低。

發明內容

本申請實施方式提供一種模型訓練方法及裝置、電子設備和可讀存儲介質。

本申請實施方式提供一種模型訓練方法。所述模型應用于行人重識別，所述模型訓練方法包括：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。

在某些實施方式中，所述神經網絡模型通過ResNet、MobileNet或ShuffleNet構建。

在某些實施方式中，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。

在某些實施方式中，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一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為第i個識別對象對應的識別難度，N表示識別對象的數量。

在某些實施方式中，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。

在某些實施方式中，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。

在某些實施方式中，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。