[发明专利]物体识别系统训练方法、物体识别方法、装置和电子设备

说明书

本发明实施例提供一种物体识别系统训练方法、物体识别方法、装置和电子设备。物体识别系统训练方法包括：基于共享神经网络分别提取样本图像序列中各样本图像的共享图像特征数据，共享图像特征数据为经过卷积的各样本图像的图像特征数据；根据共享图像特征数据并基于权重生成神经网络确定样本图像序列中各样本图像的图像特征权重数据；根据共享图像特征数据以及图像特征权重数据确定特征损失信息，特征损失信息用于表达样本图像序列的特征损失状态；根据特征损失信息调整共享神经网络和/或权重生成神经网络的网络参数。能够克服图像序列中的多个图像之间存在例如光照、清晰度等差异，在复杂的应用场景中也能够得到较为准确、理想的识别结果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于图像的物体识别技术。

背景技术

随着计算机视觉技术的发展，物体识别是计算机视觉应用中的核心任务。物体识别就是对于给定的两组物体图像(通常来自于不同摄像头采集的数据)，判别其是否是相同的物体对象(如人脸、人体、车辆等)。在物体识别任务中，输入数据通常是由包含每个物体的多张图像构成的序列，每个序列中的多张图像展现了不同角度、姿态等形式的物体。

通常，现有方法利用卷积神经网络对一个序列中的所有图像分别提取特征，再将提取到的特征进行简单的平均或池化，作为该序列的最终特征。最终特征用于后续的物体识别。然而，在上述方法中，提取序列的特征时仅仅是对序列中各个图像的特征进行简单融合，而未考虑序列中图像之间的差异如光照、清晰度、角度等因素的影响，使得在图像之间差异较大的情况下，融合得到的特征的判别力下降，训练出的物体识别网络的识别效果不佳。

发明内容

本发明实施例的目的在于，提供一种物体识别网络训练方案和物体识别方案。

根据本发明实施例的一方面，提供一种物体识别网络训练方法，包括：基于共享神经网络分别提取样本图像序列中各样本图像的共享图像特征数据，所述共享图像特征数据为经过卷积的各样本图像的图像特征数据；根据所述共享图像特征数据并基于权重生成神经网络确定所述样本图像序列中各样本图像的图像特征权重数据；根据共享图像特征数据以及所述图像特征权重数据确定特征损失信息，所述特征损失信息用于表达所述样本图像序列的特征损失状态；根据所述特征损失信息调整所述共享神经网络和/或所述权重生成神经网络的网络参数。

可选地，所述根据共享图像特征数据以及所述图像特征权重数据确定特征损失信息之前，还包括：根据所述共享图像特征数据并基于特征生成神经网络，提取所述样本图像序列中各样本图像的分类图像特征数据；所述根据共享图像特征数据以及所述图像特征权重数据确定特征损失信息，包括：根据各所述分类图像特征数据和各所述图像特征权重数据确定特征表达的特征损失信息。

可选地，所述根据所述特征损失信息调整所述共享神经网络和/或所述权重生成神经网络的网络参数之前，包括：根据所述分类图像特征数据，获取所述样本图像序列中各样本图像的物体分类预测数据；根据各所述物体分类预测数据确定物体分类的分类损失信息；所述根据所述特征损失信息调整所述共享神经网络和/或所述权重生成神经网络的网络参数，包括：根据所述分类损失信息和所述特征损失信息，调整所述共享神经网络和/或所述权重生成神经网络的网络参数。

可选地，所述根据各所述物体分类预测数据确定物体分类的分类损失信息之后，所述方法还包括：根据所述分类损失信息和所述特征损失信息，调整所述特征生成神经网络的网络参数。

可选地，所述根据各所述分类图像特征数据和各所述图像特征权重数据确定特征表达的特征损失信息包括：根据各所述分类图像特征数据和相应的各所述图像特征权重数据获取各个样本图像的加权图像特征数据；根据各个样本图像的加权图像特征数据确定所述样本图像序列的特征表达的特征损失信息。

可选地，所述样本图像序列包括含有物体的基准图像序列和泛样本图像序列。