[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

本申請提供一種模型訓練方法、預測方法、裝置、重識別模型及電子設備。模型訓練方法包括：獲取訓練樣本數據；將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；基于全局特征的類別預測數值計算第一損失值，基于局部特征的類別預測數值計算第二損失值，以及基于全局特征向量計算第三損失值；基于第一損失值、第二損失值以及第三損失值對初始模型的模型參數進行優化，得到重識別模型。通過該方式能夠提高訓練完成的重識別模型對車輛重識別的準確性，且通過全局特征的類別預測數值、局部特征的類別預測數值以及基于全局特征向量進行模型訓練，有效的提高了車輛重識別的泛化能力。

技術領域

本申請涉及圖像處理技術領域，具體而言，涉及一種模型訓練方法、預測方法、裝置、重識別模型及電子設備。

背景技術

近年來，計算機視覺領域的技術發展和物聯網領域的技術突破促進了智慧城市概念的實現。作為智慧城市應用中的重要對象，車輛引起了廣泛的關注，研究人員進行了許多關于車輛的研究，目前一個前沿且重要的研究課題是車輛重識別。車輛重識別是智能交通系統的核心技術之一，對于智慧城市的建設至關重要。通過無處不在的監控網絡，車輛重識別系統可以快速獲取與目標對象相匹配的車輛。借助車輛重識別系統，可以在多個攝像機之間自動檢測，定位和跟蹤目標車輛，從而節省了人工和成本。

在實現本發明過程中，發明人發現目前對于車輛重識別的方式主要是通過車輛圖片的全局外觀特征來進行車輛重識別，該方式使用整個圖來獲得重識別需要的特征向量，這就導致了算法缺乏捕捉更細粒度的視覺差異的能力，進而使得出現同一車型的兩款極其相似的車輛無法區分的問題。同時，車輛圖片還容易被視點變化、遮擋、運動模糊等不受約束的現實環境影響，導致算法魯棒性非常差。

發明內容

本申請實施例的目的在于提供一種模型訓練方法、預測方法、裝置、重識別模型及電子設備，以改善“目前的車輛重識別方式缺乏捕捉更細粒度的視覺差異的能力、算法魯棒性差”的問題。

本發明是這樣實現的：

第一方面，本申請實施例提供一種模型訓練方法，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。

在本申請實施例中，在訓練重識別模型時，結合樣本圖像的全局特征以及局部特征進行訓練，由于局部特征能夠增強模型對圖像細微差異的感知能力，因此，通過該方式能夠提高訓練完成的重識別模型對車輛重識別的準確性，有助于區分不同的車輛，且通過全局特征的類別預測數值、局部特征的類別預測數值以及基于全局特征向量三者來進行模型訓練，也有效的提高了車輛重識別的泛化能力。

結合上述第一方面提供的技術方案，在一些可能的實現方式中，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。

在本申請實施例中，將經初始模型得到的特征圖分為上下兩部分，然后分別得到這兩部分的類別預測數值，進而使得模型能夠關注到特征圖的更多的細節，提高了重識別模型對車輛重識別的準確性，有助于區分不同的車輛。