【技术实现步骤摘要】
行人再识别模型的训练方法、行人再识别方法及装置
[0001]本公开涉及人工智能
中的深度学习、计算机视觉、图像处理技术,尤其涉及一种行人再识别模型的训练方法、行人再识别方法及装置,可应用于智慧城市、智能交通等场景。
技术介绍
[0002]行人再识别是指在不同摄像头拍摄到的行人图像中搜索到特定的行人,可应用于智慧城市、智能交通等场景,在实际应用中,往往通过训练行人再识别模型来实现该功能。
[0003]有监督的行人再识别模型的训练方法,需要利用有身份信息标签的行人图像进行模型训练,但有监督训练的标注成本高、样本采集困难。因此,目前的发展方向是探索直接从无标签的行人图像上进行无监督的模型训练,现有的无监督的训练方法得到的行人再识别模型的识别结果准确性较低。
技术实现思路
[0004]本公开提供了一种提高了识别结果准确性的行人再识别模型的训练方法、行人再识别方法及装置。
[0005]根据本公开的第一方面,提供了一种行人再识别模型的训练方法,包括:将原始样本集中的原始样本图像分别输入初始行人再识别模型,得到所述原始样本图像的第一样本特征;对所述原始样本图像的第一样本特征进行聚类,得到多个聚类簇;根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征;基于所述第一样本特征、所述第二样本特征和所述聚类簇,更新所述初始行人再识别模型。
[0006]根据本公开的第二方面,提供了一种行人再识别方法,包括:获取待识别图像和目标行人图像;将所述待识别图像和所述目标行人 ...
【技术保护点】
【技术特征摘要】
1.一种行人再识别模型的训练方法,包括:将原始样本集中的原始样本图像分别输入初始行人再识别模型,得到所述原始样本图像的第一样本特征;对所述原始样本图像的第一样本特征进行聚类,得到多个聚类簇;根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征;基于所述第一样本特征、所述第二样本特征和所述聚类簇,更新所述初始行人再识别模型。2.根据权利要求1所述的方法,其中,所述根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征,包括:根据所述第一样本特征,确定所述初始行人再识别模型的多个可学习参数各自对应的权重,其中,所述可学习参数表征所有原始样本图像的共同特征,所述可学习参数的维度与所述第一样本特征的维度相同;根据所述可学习参数和所述可学习参数对应的权重,确定所述原始样本图像对应的难正样本的第二样本特征。3.根据权利要求2所述的方法,其中,所述确定所述初始行人再识别模型的多个可学习参数各自对应的权重,包括:将所述第一样本特征分别输入多个全链接层,得到与所述多个可学习参数各自对应的权重。4.根据权利要求2所述的方法,其中,所述根据所述可学习参数和所述可学习参数对应的权重,确定所述原始样本对应的难正样本的第二样本特征,包括:按照所述可学习参数对应的权重,对所述可学习参数进行加权求和,得到所述第二样本特征。5.根据权利要求1
‑
4任一项所述的方法,其中,所述基于所述第一样本特征、所述第二样本特征和所述聚类簇,更新所述初始行人再识别模型,包括:根据所述第一样本特征和所述聚类簇的聚类中心之间的第一损失函数,确定第一损失;根据所述第二样本特征和所述聚类簇的聚类中心之间的第二损失函数,确定第二损失;根据所述第一样本特征、所述第二样本特征和所述原始样本图像所属的聚类簇的聚类中心之间的第三损失函数,确定第三损失;基于所述第一损失、所述第二损失和所述第三损失,更新所述初始行人再识别模型。6.根据权利要求5所述的方法,其中,所述第一损失函数用于使得所述原始样本图像与所述原始样本图像所属的聚类簇的聚类中心的距离减小,且所述原始样本图像与其他聚类簇的聚类中心的距离增大。7.根据权利要求5所述的方法,其中,所述第二损失函数用于使得所述难正样本与所述原始样本图像所属的聚类簇的聚类中心的距离减小,且所述难正样本与其他聚类簇的聚类中心的距离增大。8.根据权利要求5所述的方法,其中,所述第三损失函数用于使得所述原始样本图像距
离所述原始样本图像所属的聚类簇的聚类中心的距离,小于所述难正样本距离所述原始样本图像所属的聚类簇的聚类中心的距离。9.一种行人再识别方法,包括:获取待识别图像和目标行人图像;将所述待识别图像和所述目标行人图像分别输入行人再识别模型,得到所述待识别图像的特征向量和所述目标行人图像的特征向量,其中,所述行人再识别模型是采用权利要求1
‑
8中任一项所述的方法训练得到的;基于所述待识别图像的特征向量与所述目标行人图像的特征向量的相似度确定所述待识别图像的识别结果。10.一种行人再识别模型的训练装置,包括:输入模块,用于将原始样本集中的原始样本图像分别输入初始行人再识别模型,得到所述原始样本图像的第一样本特征;聚类模块,用于对所述原始样本图像的第一样本特征进行聚类,得到多个聚类簇;生成模块,用于根据所述原始样本图...
【专利技术属性】
技术研发人员:张欣彧,王之港,王健,孙昊,丁二锐,
申请(专利权)人:北京百度网讯科技有限公司,
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。