[發(fā)明專利]一種網(wǎng)絡(luò)訓(xùn)練及識(shí)別方法、裝置、電子設(shè)備和介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210163306.3
• 申請(qǐng)日: 2022-02-22
• 公開（公告）號(hào): CN115294510A
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 何凌霄;劉武;梅濤
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司
• 主分類號(hào): G06V20/52
• 分類號(hào): G06V20/52;G06V10/774;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 北京派特恩知識(shí)產(chǎn)權(quán)代理有限公司 11270
• 代理人: 陳宇;張穎玲

本申請(qǐng)實(shí)施例提出了一種網(wǎng)絡(luò)訓(xùn)練及行人重識(shí)別方法、裝置、電子設(shè)備和計(jì)算機(jī)存儲(chǔ)介質(zhì)，該方法包括：獲取第一訓(xùn)練數(shù)據(jù)集，所述第一訓(xùn)練數(shù)據(jù)集，確定域泛化模型中的學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)的第一損失；利用第一損失，訓(xùn)練所述域泛化模型，得到訓(xùn)練后的域泛化模型；第一訓(xùn)練數(shù)據(jù)集中包括多張有標(biāo)注的行人圖像；學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)用于行人重識(shí)別；獲取第二訓(xùn)練數(shù)據(jù)集，分別利用第一訓(xùn)練數(shù)據(jù)集和第二訓(xùn)練數(shù)據(jù)集對(duì)訓(xùn)練后的域泛化模型進(jìn)行知識(shí)蒸餾，得到知識(shí)蒸餾結(jié)果；第二訓(xùn)練數(shù)據(jù)集中包括多張無(wú)標(biāo)注的行人圖像；基于第一損失和知識(shí)蒸餾結(jié)果，對(duì)訓(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的學(xué)生網(wǎng)絡(luò)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及視頻分析技術(shù)領(lǐng)域，尤其涉及一種網(wǎng)絡(luò)訓(xùn)練及行人重識(shí)別方法、裝置、電子設(shè)備和計(jì)算機(jī)存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著日益增長(zhǎng)的視頻監(jiān)控需求，行人重識(shí)別技術(shù)作為身份認(rèn)證技術(shù)引起了學(xué)術(shù)界和工業(yè)界的普遍關(guān)注。行人重識(shí)別也稱行人再識(shí)別，是利用計(jì)算機(jī)視覺技術(shù)判斷圖像或者視頻序列中是否存在特定行人的技術(shù)；行人重識(shí)別廣泛被認(rèn)為是一個(gè)圖像檢索的子問題，給定一個(gè)監(jiān)控行人圖像，檢索跨設(shè)備下的該行人圖像，旨在彌補(bǔ)目前固定的攝像頭的視覺局限，并可與行人檢測(cè)/行人跟蹤技術(shù)相結(jié)合，可廣泛應(yīng)用于智能視頻監(jiān)控、智能安保等領(lǐng)域。

在實(shí)際場(chǎng)景中，由于隱私問題和昂貴的數(shù)據(jù)標(biāo)注成本，有些場(chǎng)景的數(shù)據(jù)并不能直接收集到，導(dǎo)致模型在不可見的目標(biāo)域上的識(shí)別性能急劇下降，即，模型的泛化性能較差，比如利用白天采集的數(shù)據(jù)訓(xùn)練的模型在夜間場(chǎng)景上就會(huì)表現(xiàn)很差；因此，需要一種能夠提升模型泛化能力的方法。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┮环N網(wǎng)絡(luò)訓(xùn)練及行人重識(shí)別方法、裝置、電子設(shè)備和計(jì)算機(jī)存儲(chǔ)介質(zhì)，能夠提升模型的泛化能力。

本申請(qǐng)的技術(shù)方案是這樣實(shí)現(xiàn)的：

本申請(qǐng)實(shí)施例提供了一種網(wǎng)絡(luò)訓(xùn)練方法，所述方法包括：

獲取第一訓(xùn)練數(shù)據(jù)集，利用所述第一訓(xùn)練數(shù)據(jù)集，確定域泛化模型中的學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)的第一損失；利用所述第一損失，訓(xùn)練所述域泛化模型，得到訓(xùn)練后的域泛化模型；所述第一訓(xùn)練數(shù)據(jù)集中包括多張有標(biāo)注的行人圖像；所述學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)用于行人重識(shí)別；

獲取第二訓(xùn)練數(shù)據(jù)集，分別利用所述第一訓(xùn)練數(shù)據(jù)集和所述第二訓(xùn)練數(shù)據(jù)集對(duì)所述訓(xùn)練后的域泛化模型進(jìn)行知識(shí)蒸餾，得到知識(shí)蒸餾結(jié)果；所述第二訓(xùn)練數(shù)據(jù)集中包括多張無(wú)標(biāo)注的行人圖像；

基于所述第一損失和所述知識(shí)蒸餾結(jié)果，對(duì)所述訓(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的學(xué)生網(wǎng)絡(luò)。

在一些實(shí)施例中，所述知識(shí)蒸餾結(jié)果包括第二損失和第三損失，所述第二損失表示所述訓(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)針對(duì)所述第一訓(xùn)練數(shù)據(jù)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(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)針對(duì)所述第二訓(xùn)練數(shù)據(jù)集確定的類別概率分布之間的差異。

在一些實(shí)施例中，利用所述第一訓(xùn)練數(shù)據(jù)集對(duì)所述訓(xùn)練后的域泛化模型進(jìn)行知識(shí)蒸餾，得到所述第二損失，包括：

利用所述第一訓(xùn)練數(shù)據(jù)集，確定所述訓(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)的第一類別概率分布和老師網(wǎng)絡(luò)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(xùn)練后的域泛化模型中的學(xué)生網(wǎng)絡(luò)和老師網(wǎng)絡(luò)針對(duì)所述第一訓(xùn)練數(shù)據(jù)集中每張行人圖像在各個(gè)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。

在一些實(shí)施例中，利用所述第二訓(xùn)練數(shù)據(jù)集對(duì)所述訓(xùn)練后的域泛化模型進(jìn)行知識(shí)蒸餾，得到所述第三損失，包括：