[发明专利]基于循环神经网络注意力模型的行人属性识别网络及技术

权利要求书

1.一种基于循环神经网络注意力模型的行人属性识别网络的构建方法，其特征在于，包括：

使用行人原始全身图像作为输入提取行人全身图像特征N(x)的第一卷积神经网络；

使用行人全身图像特征N(x)作为第一输入，上一时刻关注的属性组别的注意力热图A_t-1(x)作为第二输入，输出当前时刻所关注的属性组别的注意力热图A_t(x)和经过局部高亮的行人特征H_t(x)的循环神经网络；

使用经过局部高亮的行人特征H_t(x)作为输入，输出当前关注组别的属性预测概率的第二卷积神经网络；

所述经过局部高亮的行人特征H_t(x)是使用上一时刻关注的属性组别的注意力热图A_t-1(x)作用在行人全身图像特征N(x)上得到的，计算公式如下：

H_t(x)＝A_t(x)oN(x)+N(x)，t表示第t组。

2.根据权利要求1所述的行人属性识别网络的构建方法，其特征在于，对所述属性预测概率输出使用批正则化操作。

3.根据权利要求1-2任一所述的行人属性识别网络的构建方法，其特征在于，包括：对于同一张行人原始全身图像的每一个不同的属性组别，循环神经网络的记忆单元状态由所有已经预测过的属性组别的局部高亮过的行人特征共同决定；对于不同的预测时刻第一卷积神经网络共享权值；对于不同的预测时刻第二卷积神经网络共享权值。

4.根据权利要求3所述的行人属性识别网络的构建方法，其特征在于，所述行人属性识别网络使用加权Sigmoid交叉熵损失函数进行训练，所述损失函数如下：

W_j＝exp(p_j)

上述公式中，p_j代表属性j的正例数量在训练集中的占比，w代表正例样本的学习权重，表示模型输出模型对第i个样本预测是否包含第j个属性的概率，y_ij为第i个样本的第j个属性的标签，N为训练样本总数，K为待识别的属性总数。

5.一种基于循环神经网络注意力模型的行人属性识别方法，其特征在于，所述方法包括：

S1.获取一定数量的具有待识别属性的行人图像，并对图像是否具有某种或某些属性进行标注，获取可以用来训练行人属性识别效果的数据集；并对标注的所有属性按照语义和空间近邻关系进行分组；

S2.利用Inception网络和卷积循环神经网络相结合，构建如权利要求1-4任一所述的基于循环神经网络注意力模型的行人属性识别网络；

S3.定义训练行人属性识别网络所需的损失函数，并使用步骤S1获取的训练数据集对步骤S2中构建的行人属性识别网络进行训练；

S4.使用经步骤S3训练得到的行人属性识别网络对待识别行人图像中的属性进行识别。

6.根据权利要求5所述的行人属性识别方法，其特征在于，所述步骤S2包括：

S2-1.使用Inception网络对行人原始全身图像进行抽取得到行人全身图像特征N(x)；

S2-2.在时刻i，利用行人全身图像特征N(x)使用卷积循环神经网络计算当前时刻所关注的属性组别的注意力热图A_t(x)，并将历史信息存储在卷积循环神经网络的记忆单元中；

S2-3.使用注意力热图A_t(x)作用在行人全身图像特征N(x)上得到经过局部高亮的行人特征H_t(x)，计算公式如下所示：

H_t(x)＝A_t(x)oN(x)+N(x)；t表示第t组；

S2-4.使用经过局部高亮的特征H_t(x)对第t组属性进行属性识别，输出本组属性预测概率。

7.根据权利要求5或6所述的行人属性识别方法，其特征在于，所述步骤S3定义的损失函数如下所示：

W_j＝exp(p_j)

上述公式中，p_j代表属性j的正例数量在训练集中的占比，w代表正例样本的学习权重，表示模型输出模型对第i个样本预测是否包含第j个属性的概率，y_ij为第i个样本的第j个属性的标签，N为训练样本总数，K为待识别的属性总数。