用于对象重识别的方法和系统技术方案

本公开涉及用于对象重识别的方法和系统，所述方法包括：通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；对于每个数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；基于更新后的特征训练所述卷积神经网络；通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征在所述给定图像集中定位目标对象。

【技术实现步骤摘要】
【国外来华专利技术】用于对象重识别的方法和系统
本公开涉及一种用于对象重识别(objectre-identification)的方法和系统。
技术介绍
在计算机视觉中，域通常是指样本遵循相同的基础数据分布的数据集。具有不同数据分布的多个数据集经常被提议来解决相同或类似的问题。多域学习旨在通过使用跨不同域的数据集的所有数据同时解决与这些数据集有关的问题。大规模训练数据的出现促使了深度学习的成功，然而，这也在多域学习中引入了有趣的问题。许多研究已表明，对在大规模数据集上预训练的深层模型进行微调对于其它相关域和任务是有效的。然而，在许多具体领域，不存在用于学习稳健且通用的特征表示的此类大规模数据集。多域学习的另一有趣方面是其由于域差异而丰富了数据的多样性。受各种条件限制，研究组收集的数据可能仅包含某些类型的变化。由于图像集中的图像通常与若干场景相关，所以通过卷积神经网络(CNN)从图像集中再识别对象是一个具有挑战性的问题。以人的再识别问题为例，行人图像通常拍摄于例如校园、街道等的不同场景中。在从校园拍摄的图像中，许多学生可能会背着背包，而在从街道拍摄的图像中，人行横道可能会频繁出现。为了解决此类问题，CNN需要使用涵盖多个数据集或域的样本进行训练。每个此类数据集都有所偏重，且仅含有可能的数据变化的子集，这不足以学习通用特征表示。因此，需要一种能够从多个数据集学习通用特征表示的用于对象再识别的方法或系统。
技术实现思路
下文呈现本公开的简化概述，以便提供对本公开的一些方面的基本理解。此概述并非本公开的详尽综述。这些概述内容既不是用来指出本公开的重要或关键要素，也并不是用来界定本公开的特定实施方式的任何范围，或权利要求书的任何范围。其唯一目的是以简化形式呈现本公开的一些概念，作为后文详细描述的序言。在一个方面中公开了一种用于对象重识别的方法，包括：通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；基于更新后的特征训练所述卷积神经网络；通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征在所述给定图像集中定位目标对象。在本申请的一个实施方式中，所述方法还包括通过以下操作来预训练所述卷积神经网络：将所述多个数据集中的所述对象图像混合成混合集；通过所述卷积神经网络提取所述混合集中的所述对象图像的特征；根据所提取的特征判断所述混合集中的每个所述对象图像的对象标签；比较判断出的对象标签与所述混合集中的每个所述对象图像的真值以获得它们之间的比较误差；以及反向传播所述比较误差以调整所述卷积神经网络的参数。在本申请的一个实施方式中，所述确定包括：基于所提取的特征判断每个所述数据集中的每个所述对象图像的第一对象标签；基于不含与一个神经元相关联的神经元响应的所提取的特征，判断每个所述数据集中的每个所述对象图像的第二对象标签；分别将所述第一对象标签和所述第二对象标签与每个所述对象图像的真值进行比较以获得第一比较误差和第二比较误差；根据所述第一比较误差与所述第二比较误差之间的差异计算所述一个神经元的所述神经元影响得分；以及对于所述一个神经元，对每个所述数据集中的所有所述对象图像上所计算的神经元影响得分求平均以作为所述一个神经元对应于每个所述数据集的所述神经元影响得分。在本申请的一个实施方式中，所述更新包括：根据所确定的得分将所述特征中的每个所述神经元响应的所述权值映射到1或0；以及舍弃所述权值为0的所述神经元响应。在本申请的一个实施方式中，所述训练包括：根据更新后的特征确定所述混合集中的每个所述对象图像的对象标签；比较所确定的对象标签与所述混合集中的每个所述对象图像的真值以获得它们之间的比较误差；以及反向传播所述比较误差以调整所述卷积神经网络的参数。在本申请的一个实施方式中，所述定位包括：计算所述目标对象图像的所述特征与所述给定图像集中的每个所述对象图像的所述特征之间的差异；根据所述差异对所述给定图像集中的所述对象图像进行评级；以及选择具有最高等级的所述对象图像作为系统的输出对象图像。在另一方面中公开了一种用于对象重识别的系统，包括：特征提取器，其用于通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；神经元影响得分确定单元，其用于对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；神经元丢弃单元，其用于对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；训练单元，其用于基于更新后的特征训练所述卷积神经网络；以及重识别单元，其用于：通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征在所述给定图像集中定位目标对象。在又一方面中公开了一种用于对象重识别的系统，包括：存储器，其存储可执行组件；以及处理器，其电联接到所述存储器以执行用以执行以下操作的所述可执行组件：通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；基于更新后的特征训练所述卷积神经网络；通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征定位所述给定图像集中的所述目标对象。附图说明在下文中参考附图描述本申请的示例性非限制性实施方式。附图是说明性的，且一般未按精确比例绘制。不同附图上的相同或类似的元件用相同的附图标记表示。图1示出了根据本申请的实施方式的人员重识别的示例；图2示出了根据本申请的实施方式的用于对象重识别的系统；图3是示出根据本申请的实施方式的用于对象重识别的方法的流程图；图4是示出根据本申请的实施方式的用于预训练CNN的方法的流程图；图5是示出根据本申请的实施方式的用于确定神经元影响得分的方法的流程图；图6是示出根据本申请的实施方式的用于更新特征的方法的流程图；图7是示出根据本申请的实施方式的用于基于更新后的特征来训练CNN的方法的流程图；以及图8是示出根据本申请的实施方式的用于在给定图像集中定位目标对象的方法的流程图。具体实施方式现将详细参考本专利技术的用于实施本专利技术的一些具体实施方式。在附图中示出了这些具体实施方式的示例。尽管本专利技术是结合这些具体实施方式进行描述的，但本领域技术人员应该理解，这些描述并不是用来将本专利技术限制为所描述的实施方式。相反，其希望涵盖可包含于由所附权利要求书限定的本专利技术的精神和范围内的替代方案、修改和等同方案。在以本文档来自技高网...

【技术保护点】
1.一种用于对象重识别的方法，包括：通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；基于更新后的特征训练所述卷积神经网络；通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征在所述给定图像集中定位目标对象。

【技术特征摘要】
【国外来华专利技术】1.一种用于对象重识别的方法，包括：通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；基于更新后的特征训练所述卷积神经网络；通过训练后的卷积神经网络分别提取用于目标对象图像的多个第一特征和用于给定图像集中的每个对象图像的多个第二特征；以及根据所提取的第一特征和第二特征在所述给定图像集中定位目标对象。2.根据权利要求1所述的方法，还包括通过以下操作来预训练所述卷积神经网络：将所述多个数据集中的所述对象图像混合成混合集；通过所述卷积神经网络提取所述混合集中的所述对象图像的特征；根据所提取的特征判断所述混合集中的每个所述对象图像的对象标签；比较判断出的对象标签与所述混合集中的每个所述对象图像的真值以获得它们之间的比较误差；以及反向传播所述比较误差以调整所述卷积神经网络的参数。3.根据权利要求1所述的方法，其中，所述确定包括：基于所提取的特征判断每个所述数据集中的每个所述对象图像的第一对象标签；基于不含与一个神经元相关联的神经元响应的所提取的特征，判断每个所述数据集中的每个所述对象图像的第二对象标签；分别将所述第一对象标签和所述第二对象标签与每个所述对象图像的真值进行比较以获得第一比较误差和第二比较误差；根据所述第一比较误差与所述第二比较误差之间的差异计算所述一个神经元的所述神经元影响得分；以及对于所述一个神经元，对每个所述数据集中的所有所述对象图像上所计算的神经元影响得分求平均以作为所述一个神经元对应于每个所述数据集的神经元影响得分。4.根据权利要求1所述的方法，其中，所述更新包括：根据所确定的得分将所述特征中的每个所述神经元响应的所述权值映射到1或0；以及舍弃权值为0的神经元响应。5.根据权利要求1所述的方法，其中，所述训练包括：根据更新后的特征确定所述混合集中的每个所述对象图像的对象标签；比较所确定的对象标签与所述混合集中的每个所述对象图像的真值以获得它们之间的比较误差；以及反向传播所述比较误差以调整所述卷积神经网络的参数。6.根据权利要求1所述的方法，其中，所述定位包括：计算所述目标对象图像的所述特征与所述给定图像集中的每个所述对象图像的所述特征之间的差异；根据所述差异对所述给定图像集中的所述对象图像进行评级；以及选择具有最高等级的对象图像作为所述系统的输出对象图像。7.一种用于对象重识别的系统，包括：特征提取器，其用于通过卷积神经网络提取多个数据集中的对象图像的特征，其中，所述卷积神经网络包括多个神经元，且每个所述特征由对应于每个所述神经元的神经元响应组成；神经元影响得分确定单元，其用于对于每个所述数据集，根据所提取的特征确定每个所述神经元的神经元影响得分；神经元丢弃单元，其用于对于每个所述数据集，根据所确定的得分，通过调整所述特征中的每个所述神经元响应的权值来更新所述特征；...

【专利技术属性】
技术研发人员：王晓刚，肖桐，李鸿升，欧阳万里，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11