本发明专利技术提供一种行人再识别的模型训练方法、装置、电子设备及介质。所述方法包括：通过源域样本进行模型训练，获得初始模型，源域样本是具有标签的行人图像样本；通过初始模型提取源域样本的第一图像特征和目标域样本的第二图像特征，目标域样本是不具有标签的行人图像样本；根据第二图像特征获取目标域样本之间的第一距离，并根据第一图像特征和第二图像特征获取所述目标域样本与所述源域样本之间的第二距离；根据所述第一距离和所述第二距离生成所述目标域样本的伪标签；利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，直至更新后的模型收敛。本申请生成的伪标签更准确，使获得的行人再识别模型的识别结果更准确。型的识别结果更准确。型的识别结果更准确。
【技术实现步骤摘要】
行人再识别的模型训练方法、装置、电子设备及介质
[0001]本专利技术涉及通信
，特别是指一种行人再识别的模型训练方法、装置、电子设备及介质。
技术介绍
[0002]行人再识别是利用计算机视觉技术在跨摄像视域下识别同一行人的所有图像，判断图像或者视频序列中是否存在特定行人的技术，广泛应用于智能视频监控、智能安保等领域。
[0003]目前，行人再识别技术主要基于有监督的深度学习算法和无监督的深度学习算法。在现有的行人再识别的技术中，没有考虑来自不同域的训练数据的差异，生成的标签不准确，可能导致识别结果的不准确。
技术实现思路
[0004]本专利技术的目的是提供一种行人再识别的模型训练方法、装置、电子设备及介质，解决了现有的行人再识别模型的识别结果不准确的问题。
[0005]为达到上述目的，本专利技术的实施例提供一种行人再识别的模型训练方法，包括：
[0006]通过源域样本进行模型训练，获得初始模型，所述源域样本是具有标签的行人图像样本；
[0007]通过所述初始模型提取所述源域样本的第一图像特征和目标域样本的第二图像特征，所述目标域样本是不具有标签的行人图像样本；
[0008]根据所述第二图像特征获取目标域样本之间的第一距离，并根据所述第一图像特征和所述第二图像特征获取所述目标域样本与所述源域样本之间的第二距离；
[0009]根据所述第一距离和所述第二距离生成所述目标域样本的伪标签；
[0010]利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，直至更新后的模型收敛。
[0011]可选的，根据所述第二图像特征获取目标域样本之间的第一距离，包括：
[0012]针对所有目标域样本的第二图像特征，利用k近邻算法获得至少两个近邻样本集合的第一特征向量；
[0013]根据所述第一特征向量，计算每个近邻样本集合之间的第一距离；
[0014]其中，每个所述近邻样本集合中包括至少两个互为近邻的目标域样本的第二图像特征。
[0015]可选的，根据所述第一图像特征和所述第二图像特征，获取所述目标域样本与所述源域样本之间的第二距离，包括：
[0016]根据所述第一图像特征和所述第二图像特征，计算所述目标域样本和所述源域样本之间的马氏距离；
[0017]将所述马氏距离表示为所述目标域样本和所述源域样本之间的相似置信度；
[0018]对数值最小的相似置信度进行归一化处理，获得所述目标域样本与第一源域样本之间的第二距离；
[0019]其中，所述第一源域样本是与所述目标域样本距离最近的源域样本。
[0020]可选的，所述根据所述第一图像特征和所述第二图像特征，计算所述目标域样本和所述源域样本之间的马氏距离，包括：
[0021]计算所述第一图像特征和所述第二图像特征之间的差值；
[0022]根据所述差值以及单位矩阵计算所述马氏距离。
[0023]可选的，所述根据所述第一距离和所述第二距离生成所述目标域样本的伪标签，包括：
[0024]对所述第一距离和所述第二距离进行加权处理，获得第三距离；
[0025]根据所述第三距离对所述目标域样本进行聚类，并根据聚类结果获得所述目标域样本的伪标签。
[0026]可选的，所述利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，包括：
[0027]对带有所述伪标签的目标域样本和所述源域样本进行混淆处理，获得混淆后的目标域样本和源域样本；
[0028]对所述混淆后的目标域样本和源域样本进行拉近处理，获得更新样本；
[0029]通过所述更新样本对所述初始模型进行迭代训练。
[0030]可选的，所述混淆处理的梯度反转层GRL的损失函数为：
[0031][0032]所述拉近处理的情感模型OCC的损失函数为：
[0033][0034]其中，g()表示梯度反转层，p
s
()表示源域样本的交叉熵损失函数；p
t
()表示目标域样本的交叉熵损失函数；表示源域样本中第x个类别的图像特征向量；表示目标域样本中第i个类别的图像特征向量。
[0035]可选的，所述通过所述更新样本对所述初始模型进行迭代训练，包括：
[0036]通过所述更新样本对所述初始模型进行训练，更新所述初始模型的参数，获得更新模型；
[0037]通过所述更新模型生成所述目标域样本的更新伪标签；
[0038]利用带有更新伪标签的目标域样本和所述源域样本对所述更新模型进行迭代训练，直至模型收敛。
[0039]为达到上述目的，本专利技术的实施例提供一种行人再识别的模型训练装置，包括：
[0040]第一训练模块，用于通过源域样本进行模型训练，获得初始模型，所述源域样本是具有标签的行人图像样本；
[0041]特征提取模块，用于通过所述初始模型提取所述源域样本的第一图像特征和目标域样本的第二图像特征，所述目标域样本是不具有标签的行人图像样本；
[0042]第一获取模块，用于根据所述第二图像特征获取目标域样本之间的第一距离，并
根据所述第一图像特征和所述第二图像特征获取所述目标域样本与所述源域样本之间的第二距离；
[0043]标签生成模块，用于根据所述第一距离和所述第二距离生成所述目标域样本的伪标签；
[0044]第二训练模块，用于利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，直至更新后的模型收敛。
[0045]为达到上述目的，本专利技术的实施例提供一种电子设备，包括处理器和收发器；
[0046]其中，所述处理器用于：通过源域样本进行模型训练，获得初始模型，所述源域样本是具有标签的行人图像样本；
[0047]通过所述初始模型提取所述源域样本的第一图像特征和目标域样本的第二图像特征，所述目标域样本是不具有标签的行人图像样本；
[0048]根据所述第二图像特征获取目标域样本之间的第一距离，并根据所述第一图像特征和所述第二图像特征获取所述目标域样本与所述源域样本之间的第二距离；
[0049]根据所述第一距离和所述第二距离生成所述目标域样本的伪标签；
[0050]利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，直至更新后的模型收敛。
[0051]为达到上述目的，本专利技术的实施例提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现上述的行人再识别的模型训练方法的步骤。
[0052]本专利技术的上述技术方案的有益效果如下：
[0053]本申请的实施例，基于目标域样本之间的第一距离以及目标域样本和源域样本之间的第二距离，生成目标域样本的伪标签，充分考虑了源域样本和目标域样本之间的差异，生成的伪标签更准确。利用带有伪标签的目标域样本与源域样本对模型进行迭代更新，使获得的行人再识别模型的识别结果更准确。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种行人再识别的模型训练方法，其特征在于，包括：通过源域样本进行模型训练，获得初始模型，所述源域样本是具有标签的行人图像样本；通过所述初始模型提取所述源域样本的第一图像特征和目标域样本的第二图像特征，所述目标域样本是不具有标签的行人图像样本；根据所述第二图像特征获取目标域样本之间的第一距离，并根据所述第一图像特征和所述第二图像特征获取所述目标域样本与所述源域样本之间的第二距离；根据所述第一距离和所述第二距离生成所述目标域样本的伪标签；利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，直至更新后的模型收敛。2.根据权利要求1所述的方法，其特征在于，根据所述第二图像特征获取目标域样本之间的第一距离，包括：针对所有目标域样本的第二图像特征，利用k近邻算法获得至少两个近邻样本集合的第一特征向量；根据所述第一特征向量，计算每个近邻样本集合之间的第一距离；其中，每个所述近邻样本集合中包括至少两个互为近邻的目标域样本的第二图像特征。3.根据权利要求1所述的方法，其特征在于，根据所述第一图像特征和所述第二图像特征，获取所述目标域样本与所述源域样本之间的第二距离，包括：根据所述第一图像特征和所述第二图像特征，计算所述目标域样本和所述源域样本之间的马氏距离；将所述马氏距离表示为所述目标域样本和所述源域样本之间的相似置信度；对数值最小的相似置信度进行归一化处理，获得所述目标域样本与第一源域样本之间的第二距离；其中，所述第一源域样本是与所述目标域样本距离最近的源域样本。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一图像特征和所述第二图像特征，计算所述目标域样本和所述源域样本之间的马氏距离，包括：计算所述第一图像特征和所述第二图像特征之间的差值；根据所述差值以及单位矩阵计算所述马氏距离。5.根据权利要求1所述的方法，其特征在于，所述根据所述第一距离和所述第二距离生成所述目标域样本的伪标签，包括：对所述第一距离和所述第二距离进行加权处理，获得第三距离；根据所述第三距离对所述目标域样本进行聚类，并根据聚类结果获得所述目标域样本的伪标签。6.根据权利要求1所述的方法，其特征在于，所述利用带有所述伪标签的目标域样本和所述源域样本对所述初始模型进行迭代训练，包括：对带有所述伪标签的目标域样本和所述源域样本进行混淆处理，获得混淆后的目标域样本和源域样本；对所述混淆后的目标域样本和源域样本进行拉近处理，获得更新样本；
通过所述更新样本对所述初...
【专利技术属性】
技术研发人员：高静，
申请(专利权)人：中国移动通信集团有限公司，
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。