【技术实现步骤摘要】
本申请涉及图像处理，具体涉及一种对象重识别模型训练方法。本申请同时涉及一种对象重识别模型训练装置、电子设备和存储介质。本申请还涉及一种对象重识别方法、装置、电子设备和存储介质。
技术介绍
1、随着人工智能的快速发展，传统的商场或超市等也正朝着数字化转型。在商场内随处可见各种智能设备，这不仅便利了消费者，同时也提高了商场或超市等的管理效率，降低了人工成本。在商场和超市等内部随处可见的摄像头也提供了基于计算机视觉的解决方案，例如商场防损、行人检索、客流统计等，这些都可以通过计算机视觉算法来实现。
2、目前，商场或超市等场景下的防损、行人检索、客流统计等技术绝大部分都是建立在行人重识别技术的基础上。行人重识别技术通常采用以transformer(一种基于注意力机制的算法)和深度卷积神经网络为主的算法，但受限于边缘端设备的存储空间和推理速度，其应用受到很大的限制。此外，在一些特殊场景下，例如有遮挡、衣服款式或颜色相似等，当前的行人重识别效果不尽人意。在这种情况下也出现很多基于单一局部特征的行人识别技术来解决此类问题，但是这样就需要针对不同的场景设计不同的方案，导致成本增加。针对以上问题，亟需一种新的方法，不仅能够保证对常规场景下的识别精度，同时还能兼备解决特殊场景下行人识别难的问题。
技术实现思路
1、本申请提供一种对象重识别模型训练方法，以解决边缘端识别精度低、有遮挡等特殊场景下行人识别难的问题。本申请另外提供一种对象重识别模型训练装置、电子设备和存储介质。本申请还提供一种对
2、本申请提供一种对象重识别模型训练方法，包括：获得目标样本对象图像和负样本对象图像；获得所述目标样本对象图像对应的局部目标样本对象图像，以及所述负样本对象图像对应的局部负样本对象图像；通过第一对象重识别模型获得所述目标样本对象图像的全局特征向量以及所述负样本对象图像的全局特征向量，并通过第二对象重识别模型获得所述局部目标样本对象图像的局部特征向量以及所述局部负样本对象图像的局部特征向量；根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整；其中，所述第一对象重识别模型为被训练的目标模型。
3、可选地，所述获得所述目标样本对象图像对应的局部目标样本对象图像，以及所述负样本对象图像对应的局部负样本对象图像，包括：对所述目标样本对象图像和所述负样本对象图像分别进行目标检测，确定针对预设局部识别对象的标注框；对所述目标样本对象图像和所述负样本对象图像中针对预设局部识别对象的标注框之外的图像区域分别进行掩码操作，获得所述目标样本对象图像对应的局部目标样本对象图像，以及所述负样本对象图像对应的局部负样本对象图像。
4、可选地，所述根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整，包括：根据第一对比学习损失函数，计算所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间的第一对比学习损失值，以及，根据第二对比学习损失函数，计算所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间的第二对比学习损失值；根据所述第一对比学习损失值与所述第二对比学习损失值之和，调整所述第一对象重识别模型和所述第二对象重识别模型的参数。
5、可选地，所述第一对比学习损失函数如下：
6、
7、其中，lfl表示所述第一对比学习损失值；k表示一次训练过程中使用的数据的数量；f*f表示全局特征向量；f*l表示局部特征向量；τ为温度系数；j表示第j个负样本。
8、可选地，所述第二对比学习损失函数如下：
9、
10、其中，llf表示所述第二对比学习损失值；k表示一次训练过程中使用的数据的数量；f*l表示局部特征向量；f*f表示全局特征向量；τ为温度系数；j表示第j个负样本。
11、可选地，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整之后，所述方法还包括：根据基于所述目标样本对象图像、所述负样本对象图像的全局特征向量的第一全局识别对象分类损失，基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的第二全局识别对象分类损失，以及基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的局部识别对象分类损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整。
12、可选地，所述根据基于所述目标样本对象图像、所述负样本对象图像的全局特征向量的第一全局识别对象分类损失，基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的第二全局识别对象分类损失，以及基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的局部识别对象分类损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整，包括：根据基于所述目标样本对象图像、所述负样本对象图像的全局特征向量的第一全局识别对象分类损失，以及基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的第二全局识别对象分类损失，确定全局识别对象分类损失整体值；确定基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的局部识别对象分类损失值；根据所述全局识别对象分类损失整体值与所述局部识别对象分类损失值之和，调整所述第一对象重识别模型和所述第二对象重识别模型的参数。
13、可选地，所述全局识别对象分类损失整体值和所述局部识别对象分类损失值均采用交叉熵损失函数计算获得。
14、可选地，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整之后，所述方法还包括：根据基于所述目标样本对象图像、所述负本文档来自技高网...
【技术保护点】
1.一种对象重识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的对象重识别模型训练方法，其特征在于，所述获得所述目标样本对象图像对应的局部目标样本对象图像，以及所述负样本对象图像对应的局部负样本对象图像，包括：
3.根据权利要求1所述的对象重识别模型训练方法，其特征在于，所述根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整，包括：
4.根据权利要求3所述的对象重识别模型训练方法，其特征在于，所述第一对比学习损失函数如下：
5.根据权利要求3所述的对象重识别模型训练方法，其特征在于，所述第二对比学习损失函数如下：
6.根据权利要求1所述的对象重识别模型训练方法，其特征在于，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图
7.根据权利要求6所述的对象重识别模型训练方法，其特征在于，所述根据基于所述目标样本对象图像、所述负样本对象图像的全局特征向量的第一全局识别对象分类损失，基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的第二全局识别对象分类损失，以及基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的局部识别对象分类损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整，包括：
8.根据权利要求7所述的对象重识别模型训练方法，其特征在于，所述全局识别对象分类损失整体值和所述局部识别对象分类损失值均采用交叉熵损失函数计算获得。
9.根据权利要求1所述的对象重识别模型训练方法，其特征在于，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整之后，所述方法还包括：
10.根据权利要求1所述的对象重识别模型训练方法，其特征在于，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整之后，所述方法还包括：
11.一种对象重识别方法，其特征在于，包括：
12.根据权利要求11所述的对象重识别方法，其特征在于，所述第一对象重识别模型部署在边缘端设备上。
13.一种对象重识别模型训练装置，其特征在于，包括：
14.一种对象重识别装置，其特征在于，包括：
15.一种电子设备，其特征在于，包括处理器和存储器；
16.一种存储介质，其特征在于，所述存储介质存储有程序和数据，所述程序被处理器执行，用于实现权利要求1-10任意一项所述的对象重识别模型训练方法，或者权利要求11-12任意一项所述的对象重识别方法。
...【技术特征摘要】
1.一种对象重识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的对象重识别模型训练方法，其特征在于，所述获得所述目标样本对象图像对应的局部目标样本对象图像，以及所述负样本对象图像对应的局部负样本对象图像，包括：
3.根据权利要求1所述的对象重识别模型训练方法，其特征在于，所述根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整，包括：
4.根据权利要求3所述的对象重识别模型训练方法，其特征在于，所述第一对比学习损失函数如下：
5.根据权利要求3所述的对象重识别模型训练方法，其特征在于，所述第二对比学习损失函数如下：
6.根据权利要求1所述的对象重识别模型训练方法，其特征在于，在根据所述目标样本对象图像的全局特征向量与所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量之间对比学习获得的第一对比学习损失，以及所述局部目标样本对象图像的局部特征向量与所述目标样本对象图像、所述负样本对象图像的全局特征向量之间对比学习获得的第二对比学习损失，对所述第一对象重识别模型和所述第二对象重识别模型进行调整之后，所述方法还包括：
7.根据权利要求6所述的对象重识别模型训练方法，其特征在于，所述根据基于所述目标样本对象图像、所述负样本对象图像的全局特征向量的第一全局识别对象分类损失，基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的第二全局识别对象分类损失，以及基于所述局部目标样本对象图像、所述局部负样本对象图像的局部特征向量的局部识别对象分类损失，对所述第...
【专利技术属性】
技术研发人员：娄梁山，冯雪涛，王炎，
申请(专利权)人：浙江深象智能科技有限公司，
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。