[發明專利]特征提取模型訓練、目標重識別方法及裝置

有效

• 申請號: 202210941799.9
• 申請日: 2022-08-08
• 公開（公告）號: CN115063604B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 王金橋;郭海云;凃鳴非
• 申請（專利權）人: 中科視語（北京）科技有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 吳斌

1.一種特征提取模型訓練方法，其特征在于，包括：

將源域圖像以及目標域圖像分別輸入至特征提取模型的初始模型，由所述特征提取模型的初始模型分別對所述源域圖像和所述目標域圖像進行特征提取，得到源域特征以及目標域特征；

將所述目標域特征以及所述源域特征分別輸入至域分類器的初始模型，由所述域分類器的初始模型對所述源域特征求偏導，得到所述目標域圖像相對于源域圖像分布的梯度，以及對所述目標域特征進行域標簽預測，得到所述目標域圖像的預測域標簽；

基于所述梯度，對所述目標域特征進行特征增強，得到目標域增強特征；

基于所述目標域特征與所述目標域增強特征之間的差異、目標域簇類特征與所述目標域特征之間的差異以及所述目標域圖像的實際域標簽與所述預測域標簽之間的差異，對所述特征提取模型的初始模型進行參數迭代，得到所述特征提取模型；所述目標域簇類特征指與所述目標域特征同類別的簇類特征；

所述基于所述目標域特征與所述目標域增強特征之間的差異、目標域簇類特征與所述目標域特征之間的差異以及所述目標域圖像的實際域標簽與所述預測域標簽之間的差異，對所述特征提取模型的初始模型進行參數迭代，得到所述特征提取模型，包括：

基于所述目標域特征與所述目標域增強特征之間的差異，確定樣本級損失；

基于所述目標域簇類特征與所述目標域特征之間的差異，確定簇類損失；

基于所述實際域標簽與所述預測域標簽之間的差異，確定對抗損失；

基于所述樣本級損失，所述簇類損失以及所述對抗損失，確定模型損失，并基于所述模型損失對所述特征提取模型的初始模型進行參數迭代，得到所述特征提取模型。

2.根據權利要求1所述的特征提取模型訓練方法，其特征在于，所述樣本級損失基于如下公式確定：

其中，表示所述樣本級損失，表示所述目標域特征，表示第個源域圖像的目標域增強特征，表示第類簇類特征，表示網絡超參數，表示源域圖像的數量，表示目標域圖像的數量。

3.根據權利要求1所述的特征提取模型訓練方法，其特征在于，所述簇類損失基于如下公式確定：

其中，表示所述簇類損失，表示第類目標域簇類特征，表示所述目標域特征，表示與所述目標域特征同類別的目標域簇類特征，表示網絡超參數，表示目標域圖像的數量。

4.根據權利要求1所述的特征提取模型訓練方法，其特征在于，所述目標域增強特征基于如下公式確定：

其中，表示所述目標域增強特征，表示所述目標域特征，表示所述梯度，表示所述對抗損失。

5.根據權利要求1至4任一項所述的特征提取模型訓練方法，其特征在于，所述目標域簇類特征基于如下步驟確定：

基于目標域特征，以及不同類別簇類特征，確定所述目標域特征與各類別簇類特征之間的相似度；

將最大相似度對應的類別簇類特征作為所述目標域簇類特征。

6.根據權利要求5所述的特征提取模型訓練方法，其特征在于，所述將最大相似度對應的類別簇類特征作為所述目標域簇類特征，之后還包括：

基于所述目標域特征，更新所述目標域簇類特征。

7.一種目標重識別方法，其特征在于，包括：

確定查詢圖像和檢索圖像庫中的多個檢索圖像；

將所述查詢圖像輸入至特征提取模型，得到所述特征提取模型輸出的查詢圖像特征；

將各檢索圖像輸入至特征提取模型，得到所述特征提取模型輸出的各檢索圖像特征；

基于所述查詢圖像特征與各檢索圖像特征之間的相似度，確定目標重識別結果；

所述特征提取模型基于權利要求1至6任一項所述的特征提取模型訓練方法訓練得到。