[發明專利]目標重識別模型的訓練方法、目標重識別方法及裝置

有效

• 申請號: 202110763047.3
• 申請日: 2021-07-06
• 公開（公告）號: CN113408472B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 劉武;梅濤
• 申請（專利權）人: 京東科技信息技術有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/44;G06V10/75;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 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: 張夢瑤

1.一種目標重識別模型的訓練方法，其特征在于，所述方法包括：

獲取多個圖像，所述多個圖像分別具有對應的多種模態和對應的多個標注目標類別；

獲取與所述多種模態分別對應的多個卷積特征圖，并獲取與所述多種模態分別對應的多個邊緣特征圖；

獲取與所述多種模態分別對應的多種特征距離信息；以及

根據所述多個圖像、所述多個卷積特征圖、所述多個邊緣特征圖、所述多種特征距離信息，以及所述多個標注目標類別訓練初始的重識別模型，以得到目標重識別模型。

2.如權利要求1所述的方法，其特征在于，所述根據所述多個圖像、所述多個卷積特征圖、所述多個邊緣特征圖、所述多種特征距離信息，以及所述多個標注目標類別訓練初始的重識別模型，以得到目標重識別模型，包括：

采用所述初始的重識別模型處理所述多個圖像，以得到初始損失值；

采用所述初始的重識別模型處理所述多個卷積特征圖和所述多個邊緣特征圖，以得到感知邊緣損失值；

采用所述初始的重識別模型處理所述多種特征距離信息，以得到跨模態中心對比損失值；

根據所述初始損失值、所述感知邊緣損失值、以及所述跨模態中心對比損失值訓練所述初始的重識別模型，以得到所述目標重識別模型。

3.如權利要求2所述的方法，其特征在于，所述初始的重識別模型包括：第一網絡結構，所述第一網絡結構用于識別所述卷積特征圖和所述邊緣特征圖之間的感知損失值。

4.如權利要求3所述的方法，其特征在于，所述采用所述初始的重識別模型處理所述多個卷積特征圖和所述多個邊緣特征圖，以得到感知邊緣損失值，包括：

將所述多個卷積特征圖和所述多個邊緣特征圖輸入至所述第一網絡結構之中，以得到與所述多個卷積特征圖分別對應的多個卷積損失特征圖，并得到與所述多個邊緣特征圖分別對應的多個邊緣損失特征圖；

確定與所述多個卷積損失特征圖分別對應的多個卷積特征圖參數，并確定與所述多個邊緣損失特征圖分別對應的多個邊緣特征圖參數；

根據所述多個卷積特征圖參數處理對應的所述多個卷積損失特征圖，以得到多個第一感知邊緣損失值；

根據所述多個邊緣特征圖參數處理對應的所述多個邊緣損失特征圖，以得到多個第二感知邊緣損失值；以及

根據所述多個第一感知邊緣損失值和所述多個第二感知邊緣損失值，生成所述感知邊緣損失值。

5.如權利要求2所述的方法，其特征在于，所述初始的重識別模型包括：批標準化層，所述獲取與所述多種模態分別對應的多種特征距離信息，包括：

將所述多個圖像分別輸入至所述批標準化層之中，以得到所述批標準化層輸出的與所述多個圖像分別對應的多個特征向量；

根據所述多個特征向量，確定與所述多個圖像分別對應的多個目標的特征中心點；

確定不同所述目標的特征中心點之間的第一距離，并確定相同所述目標對應于不同所述模態的特征中心點之間的第二距離，所述第一距離和所述第二距離共同構成所述多種特征距離信息。

6.如權利要求5所述的方法，其特征在于，所述采用所述初始的重識別模型處理所述多種特征距離信息，以得到跨模態中心對比損失值，包括：

采用所述初始的重識別模型從多個第一距離確定出第一目標距離，所述第一目標距離是所述多個第一距離中值最小的所述第一距離；

根據所述第一目標距離和多個所述第二距離，以及所述目標的數量計算得到所述跨模態中心對比損失值。

7.如權利要求2所述的方法，其特征在于，所述初始的重識別模型包括：順序連接的全連接層和輸出層，所述采用所述初始的重識別模型處理所述多個圖像，以得到初始損失值，包括：

將所述多個圖像順序輸入至所述全連接層和輸出層之中，以得到所述輸出層輸出的與所述多個圖像分別對應的多個類別特征向量；

確定與所述多個標注目標類別分別對應的多個編碼向量；

根據所述多個類別特征向量和對應的所述多個編碼向量，生成身份損失值，并將所述身份損失值作為所述初始損失值。