[發(fā)明專(zhuān)利]模型訓(xùn)練方法、預(yù)測(cè)方法、裝置、重識(shí)別模型及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202110386171.2
• 申請(qǐng)日: 2021-04-12
• 公開(kāi)（公告）號(hào): CN112801235A
• 公開(kāi)（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 陳媛媛;宋麗萍;周欣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/00
• 代理公司: 北京超凡宏宇專(zhuān)利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 衡滔

1.一種模型訓(xùn)練方法，其特征在于，包括：

獲取訓(xùn)練樣本數(shù)據(jù)；其中，所述訓(xùn)練樣本數(shù)據(jù)包括多個(gè)車(chē)輛的多張樣本圖像；同一車(chē)輛的樣本圖像所標(biāo)記的類(lèi)別相同；

將所述訓(xùn)練樣本數(shù)據(jù)輸入至初始模型中，得到全局特征的類(lèi)別預(yù)測(cè)數(shù)值、局部特征的類(lèi)別預(yù)測(cè)數(shù)值以及全局特征向量；其中，所述局部特征為經(jīng)所述初始模型得到的特征圖的部分區(qū)域的特征；

基于所述全局特征的類(lèi)別預(yù)測(cè)數(shù)值計(jì)算第一損失值，基于所述局部特征的類(lèi)別預(yù)測(cè)數(shù)值計(jì)算第二損失值，以及基于所述全局特征向量計(jì)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(duì)所述初始模型的模型參數(shù)進(jìn)行優(yōu)化，得到重識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的模型訓(xùn)練方法，其特征在于，所述局部特征的類(lèi)別預(yù)測(cè)數(shù)值包括經(jīng)所述初始模型得到的特征圖的上半部分特征的類(lèi)別預(yù)測(cè)數(shù)值，以及所述特征圖的下半部分特征的類(lèi)別預(yù)測(cè)數(shù)值；

相應(yīng)的，所述基于所述局部特征的類(lèi)別預(yù)測(cè)數(shù)值計(jì)算第二損失值，包括：

基于所述上半部分特征的類(lèi)別預(yù)測(cè)數(shù)值計(jì)算第一子損失值，以及基于所述下半部分特征的類(lèi)別預(yù)測(cè)數(shù)值計(jì)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(jù)權(quán)利要求1所述的模型訓(xùn)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(jì)算公式為：

；

其中，表示損失值；表示類(lèi)別數(shù)量；c表示一種類(lèi)別；表示類(lèi)別預(yù)測(cè)數(shù)值，其數(shù)值表征預(yù)測(cè)為類(lèi)別c的概率；表示指示變量，當(dāng)輸入的樣本圖像為類(lèi)別c時(shí)，=1；反之，=0。

4.根據(jù)權(quán)利要求1所述的模型訓(xùn)練方法，其特征在于，所述第三損失值的計(jì)算公式為：

；

其中，表示損失值；+表示當(dāng)?shù)闹荡笥?時(shí)，的數(shù)值為的數(shù)值的和，當(dāng)?shù)闹敌∮?時(shí)，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(shù)間隔值。

5.一種重識(shí)別模型，其特征在于，包括：

多個(gè)瓶頸層，所述多個(gè)瓶頸層依次連接；其中，所述多個(gè)瓶頸中的第一個(gè)瓶頸層用于接收訓(xùn)練樣本數(shù)據(jù)，所述多個(gè)瓶頸層中的最后一個(gè)瓶頸層用于輸出與所述訓(xùn)練樣本數(shù)據(jù)對(duì)應(yīng)的特征圖；

全局分支層；與所述多個(gè)瓶頸層中的最后一個(gè)瓶頸層連接，所述全局分支層用于對(duì)所述特征圖進(jìn)行全局池化；并基于所述特征圖所得到的全局特征的類(lèi)別預(yù)測(cè)數(shù)值以及全局特征向量對(duì)模型進(jìn)行監(jiān)督訓(xùn)練；

局部分支層；與所述多個(gè)瓶頸層中的最后一個(gè)瓶頸層連接，所述局部分支層用于對(duì)所述特征圖中的部分區(qū)域進(jìn)行全局池化；并基于所述特征圖的部分區(qū)域所得到的局部特征的類(lèi)別預(yù)測(cè)數(shù)值對(duì)模型進(jìn)行監(jiān)督訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的重識(shí)別模型，其特征在于，所述重識(shí)別模型還包括：多個(gè)注意力機(jī)制模塊；所述注意力機(jī)制模塊的數(shù)量與所述瓶頸層的數(shù)量相同；在每個(gè)瓶頸層之后均接入一個(gè)注意力機(jī)制模塊；

相應(yīng)的，接入的最后一個(gè)注意力機(jī)制模塊用于輸出與所述訓(xùn)練樣本數(shù)據(jù)對(duì)應(yīng)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(gè)注意力機(jī)制模塊連接。

7.根據(jù)權(quán)利要求6所述的重識(shí)別模型，其特征在于，針對(duì)每一個(gè)注意力機(jī)制模塊，該注意力機(jī)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(gè)瓶頸層連接，所述空間注意力模塊還與后一個(gè)瓶頸層連接；

所述通道注意力模塊用于對(duì)所述前一個(gè)瓶頸層輸出的中間特征圖進(jìn)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(duì)所述通道注意力特征圖進(jìn)行特征處理，得到空間注意力特征圖。