[發明專利]一種網絡訓練及識別方法、裝置、電子設備和介質

在審

• 申請號: 202210163306.3
• 申請日: 2022-02-22
• 公開（公告）號: CN115294510A
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 何凌霄;劉武;梅濤
• 申請（專利權）人: 北京京東尚科信息技術有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/774;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 陳宇;張穎玲

1.一種網絡訓練方法，其特征在于，所述方法包括：

獲取第一訓練數據集，利用所述第一訓練數據集，確定域泛化模型中的學生網絡和老師網絡的第一損失；利用所述第一損失，訓練所述域泛化模型，得到訓練后的域泛化模型；所述第一訓練數據集中包括多張有標注的行人圖像；所述學生網絡和老師網絡用于行人重識別；

獲取第二訓練數據集，分別利用所述第一訓練數據集和所述第二訓練數據集對所述訓練后的域泛化模型進行知識蒸餾，得到知識蒸餾結果；所述第二訓練數據集中包括多張無標注的行人圖像；

基于所述第一損失和所述知識蒸餾結果，對所述訓練后的域泛化模型中的學生網絡進行訓練，得到訓練完成的學生網絡。

2.根據權利要求1所述的方法，其特征在于，所述知識蒸餾結果包括第二損失和第三損失，所述第二損失表示所述訓練后的域泛化模型中的學生網絡和老師網絡針對所述第一訓練數據集確定的類別概率分布之間的差異；所述第三損失表示所述訓練后的域泛化模型中的學生網絡和老師網絡針對所述第二訓練數據集確定的類別概率分布之間的差異。

3.根據權利要求2所述的方法，其特征在于，利用所述第一訓練數據集對所述訓練后的域泛化模型進行知識蒸餾，得到所述第二損失，包括：

利用所述第一訓練數據集，確定所述訓練后的域泛化模型中的學生網絡的第一類別概率分布和老師網絡的第二類別概率分布；所述第一類別概率分布和所述第二類別概率分布表示所述訓練后的域泛化模型中的學生網絡和老師網絡針對所述第一訓練數據集中每張行人圖像在各個維度的類別概率分布；

確定所述第一類別概率分布和所述第二類別概率分布的第一KL散度，將所述第一KL散度確定為所述第二損失。

4.根據權利要求2所述的方法，其特征在于，利用所述第二訓練數據集對所述訓練后的域泛化模型進行知識蒸餾，得到所述第三損失，包括：

利用所述第二訓練數據集，確定所述訓練后的域泛化模型中的學生網絡的第三類別概率分布和老師網絡的第四類別概率分布；所述第三類別概率分布和所述第四類別概率分布表示所述訓練后的域泛化模型中的學生網絡和老師網絡針對所述第二訓練數據集中每張行人圖像在各個維度的類別概率分布；

確定所述第三類別概率分布和所述第四類別概率分布的第二KL散度，將所述第二KL散度確定為所述第三損失。

5.根據權利要求2所述的方法，其特征在于，所述基于所述第一損失和所述知識蒸餾結果，對所述訓練后的域泛化模型中的學生網絡進行訓練，包括：

對所述第一損失、所述第二損失和所述第三損失進行累加，得到總損失；

利用所述總損失，對所述訓練后的域泛化模型中的學生網絡進行訓練。

6.根據權利要求1所述的方法，其特征在于，所述利用所述第一訓練數據集，確定域泛化模型中的學生網絡和老師網絡的第一損失，包括：

利用所述第一訓練數據集，確定所述域泛化模型中的學生網絡和老師網絡的類別概率分布；所述類別概率分布表示所述域泛化模型中的學生網絡和老師網絡針對所述第一訓練數據集中每張行人圖像在各個維度的類別概率分布；

根據所述學生網絡和老師網絡的類別概率分布，確定所述域泛化模型中的學生網絡和老師網絡的交叉熵損失；將所述學生網絡和老師網絡的交叉熵損失確定為第一損失。

7.根據權利要求1至6任一項所述的方法，其特征在于，所述老師網絡中分類器的維度與所述學生網絡中分類器的維度相同。

8.一種行人重識別方法，其特征在于，所述方法包括：

獲取待識別行人圖像和訓練完成的學生網絡；所述訓練完成的學生網絡是根據權利要求1至7任一項所述的網絡訓練方法訓練得到的；

利用所述訓練完成的學生網絡對所述待識別行人圖像進行行人重識別。