【技术实现步骤摘要】
一种目标重识别方法、装置和计算机可读存储介质
[0001]本申请涉及计算机视觉
,具体涉及一种目标重识别方法、装置和计算机可读存储介质。
技术介绍
[0002]目标重识别是图像检索的子问题,着眼于在目标被遮挡、模糊或损坏的情况下,在跨摄像头场景中检索出特定的目标;例如,以车辆重识别为例,车辆重识别在交通管理或智能监控等方面具有重要的实际应用,然而由于车辆外观在不同的环境、视角、分辨率以及光照条件下差异很大,且不同的车辆可能因具有相同的品牌、型号和颜色而表现出相似的外观,给车辆重识别任务带来了困难,导致识别效果不佳或者识别模型的复杂度较高。
技术实现思路
[0003]本申请提供一种目标重识别方法、装置和计算机可读存储介质,能够提升目标重识别的性能。
[0004]为解决上述技术问题,本申请采用的技术方案是:提供一种目标重识别方法,该方法包括:获取待识别图像与搜索数据集,待识别图像包括待识别目标,搜索数据集包括多个搜索图像;基于目标重识别模型分别对待识别图像与搜索数据集进行处理,得到重识别结果,重识别结果包括搜索数据集中与待识别目标匹配的搜索图像;其中,目标重识别模型是基于训练数据训练的,训练数据包括多个样本图像,目标重识别模型包括主干网络与至少两个分支网络,主干网络用于获取样本图像中的特征,得到样本特征;分支网络用于对样本特征进行处理得到特征图,并对特征图进行分类得到分类结果;目标重识别模型的损失值由第一损失值与第二损失值确定,第一损失值为对所有分支网络输出的特征图进行解耦处理得到的损失,第 ...
【技术保护点】
【技术特征摘要】
1.一种目标重识别方法,其特征在于,包括:获取待识别图像与搜索数据集,所述待识别图像包括待识别目标,所述搜索数据集包括多个搜索图像;基于目标重识别模型分别对所述待识别图像与所述搜索数据集进行处理,得到重识别结果,所述重识别结果包括所述搜索数据集中与所述待识别目标匹配的搜索图像;其中,所述目标重识别模型是基于训练数据训练的,所述训练数据包括多个样本图像,所述目标重识别模型包括主干网络与至少两个分支网络,所述主干网络用于获取所述样本图像中的特征,得到样本特征;所述分支网络用于对所述样本特征进行处理得到特征图,并对所述特征图进行分类得到分类结果;所述目标重识别模型的损失值由第一损失值与第二损失值确定,所述第一损失值为对所有所述分支网络输出的特征图进行解耦处理得到的损失,所述第二损失值为每个所述分类结果的损失。2.根据权利要求1所述的目标重识别方法,其特征在于,所述至少两个分支网络包括第一分支网络与第二分支网络,所述目标重识别模型的训练包括:从所述训练数据中选择一个所述样本图像,并采用所述主干网络对所述样本图像进行特征提取处理,得到所述样本特征;采用所述第一分支网络对所述样本特征进行处理,生成第一特征图;采用所述第二分支网络对所述样本特征进行处理,生成第二特征图;对所述第一特征图与所述第二特征图进行解耦处理,生成所述第一损失值;对所述第一损失值与所有所述第二损失值进行处理,生成所述损失值;判断所述目标重识别模型是否满足预设训练终止条件;若否,则返回所述从所述训练数据中选择一个所述样本图像的步骤,直至所述目标重识别模型满足所述预设训练终止条件,得到训练完的目标重识别模型。3.根据权利要求2所述的目标重识别方法,其特征在于,所述第一特征图包括多个第一特征子图,所述第二特征图包括多个第二特征子图,所述对所述第一特征图与所述第二特征图进行解耦处理,生成所述第一损失值的步骤,包括:采用第一权重矩阵对所有所述第一特征子图进行加权求和,生成第三特征图;采用第二权重矩阵对所有所述第二特征子图进行加权求和,生成第四特征图;基于所述第三特征图与所述第四特征图,生成所述第一损失值。4.根据权利要求3所述的目标重识别方法,其特征在于,所述基于所述第三特征图与所述第四特征图,生成所述第一损失值的步骤,包括:对所述第三特征图进行激活处理,得到第五特征图;对所述第四特征图进行激活处理,得到第六特征图;计算所述第五特征图与所述第六特征图的哈达玛积,得到第七特征图;计算所述第七特征图中所有值的和,得到所述第一损失值。5.根据权利要求3所述的目标重识别方法,其特征在于,所述对所述第一损失值与所有所述第二损失值进行处理,生成所述损失值的步骤,包括:对所述第一损失值、所述第一分支网络对应的第二损失值以及所述第二分支网络对应的第二损失值进行加权求和,得到所述损失值。6.根据权利要求3所述的目标重识别方法,其特征在于,所述基于目标重识别模型分别
对所述待识别图像与所述搜索数据集进行处理,得到重识别结果的步骤,包括:采用...
【专利技术属性】
技术研发人员:邵晓雯,潘华东,
申请(专利权)人:浙江大华技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。