[發(fā)明專利]特征提取模型訓(xùn)練、目標(biāo)重識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202210941799.9
• 申請(qǐng)日: 2022-08-08
• 公開（公告）號(hào): CN115063604B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計(jì)）人: 王金橋;郭海云;凃鳴非
• 申請(qǐng)（專利權(quán)）人: 中科視語（北京）科技有限公司
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/764
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 吳斌

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，本發(fā)明提供一種特征提取模型訓(xùn)練、目標(biāo)重識(shí)別方法及裝置，所述訓(xùn)練方法包括：將源域圖像以及目標(biāo)域圖像分別輸入至特征提取模型的初始模型，得到源域特征以及目標(biāo)域特征；將目標(biāo)域特征以及源域特征分別輸入至域分類器的初始模型，得到目標(biāo)域圖像相對(duì)于源域圖像分布的梯度以及目標(biāo)域預(yù)測(cè)標(biāo)簽；基于梯度對(duì)目標(biāo)域特征進(jìn)行特征增強(qiáng)，得到目標(biāo)域增強(qiáng)特征；基于目標(biāo)域特征與目標(biāo)域增強(qiáng)特征之間的差異、目標(biāo)域簇類特征與目標(biāo)域特征之間的差異以及實(shí)際域標(biāo)簽與預(yù)測(cè)域標(biāo)簽之間的差異，對(duì)特征提取模型的初始模型進(jìn)行參數(shù)迭代，得到特征提取模型。本發(fā)明提高了特征提取模型的泛化性能，且保證了在目標(biāo)域下的特征提取精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種特征提取模型訓(xùn)練、目標(biāo)重識(shí)別方法及裝置。

背景技術(shù)

目標(biāo)重識(shí)別任務(wù)的目標(biāo)是在圖像數(shù)據(jù)庫中匹配來自跨攝像機(jī)視角下與查詢圖像具有相同域類別的目標(biāo)圖像。

目前，多通過無監(jiān)督域自適應(yīng)方法進(jìn)行目標(biāo)重識(shí)別，即首先使用有標(biāo)簽的源域數(shù)據(jù)訓(xùn)練特征提取模型，隨后基于無標(biāo)簽的目標(biāo)域數(shù)據(jù)進(jìn)一步優(yōu)化特征提取模型。然而，該方法由于缺少目標(biāo)域以外的數(shù)據(jù)，容易在目標(biāo)域上過擬合，導(dǎo)致特征提取模型所提取的特征對(duì)域偏移的魯棒性較差，進(jìn)而影響目標(biāo)重識(shí)別的精度。

發(fā)明內(nèi)容

本發(fā)明提供一種特征提取模型訓(xùn)練、目標(biāo)重識(shí)別方法及裝置，用以解決現(xiàn)有技術(shù)中特征提取模型所提取的特征對(duì)域偏移的魯棒性較差，進(jìn)而影響目標(biāo)重識(shí)別的精度的缺陷。

本發(fā)明提供一種特征提取模型訓(xùn)練方法，包括：

將源域圖像以及目標(biāo)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(duì)所述源域圖像和所述目標(biāo)域圖像進(jìn)行特征提取，得到源域特征以及目標(biāo)域特征；

將所述目標(biāo)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(duì)所述源域特征求偏導(dǎo)，得到所述目標(biāo)域圖像相對(duì)于源域圖像分布的梯度，以及對(duì)所述目標(biāo)域特征進(jìn)行域標(biāo)簽預(yù)測(cè)，得到所述目標(biāo)域圖像的預(yù)測(cè)域標(biāo)簽；

基于所述梯度，對(duì)所述目標(biāo)域特征進(jìn)行特征增強(qiáng)，得到目標(biāo)域增強(qiáng)特征；

基于所述目標(biāo)域特征與所述目標(biāo)域增強(qiáng)特征之間的差異、目標(biāo)域簇類特征與所述目標(biāo)域特征之間的差異以及所述目標(biāo)域圖像的實(shí)際域標(biāo)簽與所述預(yù)測(cè)域標(biāo)簽之間的差異，對(duì)所述特征提取模型的初始模型進(jìn)行參數(shù)迭代，得到所述特征提取模型；所述目標(biāo)域簇類特征指與所述目標(biāo)域特征同類別的簇類特征。

根據(jù)本發(fā)明提供的一種特征提取模型訓(xùn)練方法，所述基于所述目標(biāo)域特征與所述目標(biāo)域增強(qiáng)特征之間的差異、目標(biāo)域簇類特征與所述目標(biāo)域特征之間的差異以及所述目標(biāo)域圖像的實(shí)際域標(biāo)簽與所述預(yù)測(cè)域標(biāo)簽之間的差異，對(duì)所述特征提取模型的初始模型進(jìn)行參數(shù)迭代，得到所述特征提取模型，包括：

基于所述目標(biāo)域特征與所述目標(biāo)域增強(qiáng)特征之間的差異，確定樣本級(jí)損失；

基于所述目標(biāo)域簇類特征與所述目標(biāo)域特征之間的差異，確定簇類損失；

基于所述實(shí)際域標(biāo)簽與所述預(yù)測(cè)域標(biāo)簽之間的差異，確定對(duì)抗損失；

基于所述樣本級(jí)損失，所述簇類損失以及所述對(duì)抗損失，確定模型損失，并基于所述模型損失對(duì)所述特征提取模型的初始模型進(jìn)行參數(shù)迭代，得到所述特征提取模型。

根據(jù)本發(fā)明提供的一種特征提取模型訓(xùn)練方法，所述樣本級(jí)損失基于如下公式確定：

其中，表示所述樣本級(jí)損失，表示所述目標(biāo)域特征，表示第個(gè)源域圖像的目標(biāo)域增強(qiáng)特征，表示第類簇類特征，表示網(wǎng)絡(luò)超參數(shù)，表示源域圖像的數(shù)量，表示目標(biāo)域圖像的數(shù)量。

根據(jù)本發(fā)明提供的一種特征提取模型訓(xùn)練方法，所述簇類損失基于如下公式確定：