[發明專利]模型訓練方法、預測方法、裝置、重識別模型及電子設備

在審

• 申請號: 202110386171.2
• 申請日: 2021-04-12
• 公開（公告）號: CN112801235A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 陳媛媛;宋麗萍;周欣
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 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: 衡滔

1.一種模型訓練方法，其特征在于，包括：

獲取訓練樣本數據；其中，所述訓練樣本數據包括多個車輛的多張樣本圖像；同一車輛的樣本圖像所標記的類別相同；

將所述訓練樣本數據輸入至初始模型中，得到全局特征的類別預測數值、局部特征的類別預測數值以及全局特征向量；其中，所述局部特征為經所述初始模型得到的特征圖的部分區域的特征；

基于所述全局特征的類別預測數值計算第一損失值，基于所述局部特征的類別預測數值計算第二損失值，以及基于所述全局特征向量計算第三損失值；

基于所述第一損失值、所述第二損失值以及所述第三損失值對所述初始模型的模型參數進行優化，得到重識別模型。

2.根據權利要求1所述的模型訓練方法，其特征在于，所述局部特征的類別預測數值包括經所述初始模型得到的特征圖的上半部分特征的類別預測數值，以及所述特征圖的下半部分特征的類別預測數值；

相應的，所述基于所述局部特征的類別預測數值計算第二損失值，包括：

基于所述上半部分特征的類別預測數值計算第一子損失值，以及基于所述下半部分特征的類別預測數值計算第二子損失值；其中，所述第二損失值包括所述第一子損失值以及所述第二子損失值。

3.根據權利要求1所述的模型訓練方法，其特征在于，所述第一損失值的以及所述第二損失值的計算公式為：

；

其中，表示損失值；表示類別數量；c表示一種類別；表示類別預測數值，其數值表征預測為類別c的概率；表示指示變量，當輸入的樣本圖像為類別c時，=1；反之，=0。

4.根據權利要求1所述的模型訓練方法，其特征在于，所述第三損失值的計算公式為：

；

其中，表示損失值；+表示當的值大于0時，的數值為的數值的和，當的值小于0時，的值為0；表示樣本圖像與樣本圖像輸出的全局特征向量的距離；表示所述樣本圖像與樣本圖像輸出的全局特征向量的距離；為函數間隔值。

5.一種重識別模型，其特征在于，包括：

多個瓶頸層，所述多個瓶頸層依次連接；其中，所述多個瓶頸中的第一個瓶頸層用于接收訓練樣本數據，所述多個瓶頸層中的最后一個瓶頸層用于輸出與所述訓練樣本數據對應的特征圖；

全局分支層；與所述多個瓶頸層中的最后一個瓶頸層連接，所述全局分支層用于對所述特征圖進行全局池化；并基于所述特征圖所得到的全局特征的類別預測數值以及全局特征向量對模型進行監督訓練；

局部分支層；與所述多個瓶頸層中的最后一個瓶頸層連接，所述局部分支層用于對所述特征圖中的部分區域進行全局池化；并基于所述特征圖的部分區域所得到的局部特征的類別預測數值對模型進行監督訓練。

6.根據權利要求5所述的重識別模型，其特征在于，所述重識別模型還包括：多個注意力機制模塊；所述注意力機制模塊的數量與所述瓶頸層的數量相同；在每個瓶頸層之后均接入一個注意力機制模塊；

相應的，接入的最后一個注意力機制模塊用于輸出與所述訓練樣本數據對應的特征圖，所述全局分支層以及所述局部分支層均與所述最后一個注意力機制模塊連接。

7.根據權利要求6所述的重識別模型，其特征在于，針對每一個注意力機制模塊，該注意力機制模塊包括通道注意力模塊和空間注意力模塊；所述通道注意力模塊與所述空間注意力模塊連接，所述通道注意力模塊還與前一個瓶頸層連接，所述空間注意力模塊還與后一個瓶頸層連接；

所述通道注意力模塊用于對所述前一個瓶頸層輸出的中間特征圖進行特征處理，得到通道注意力特征圖；

所述空間注意力模塊用于對所述通道注意力特征圖進行特征處理，得到空間注意力特征圖。