[发明专利]一种模型复用方法与系统

权利要求书

1.一种行人再识别任务中的模型复用方法，其特征在于，包括：

将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；所述数据集中的数据为行人图片；

将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；

根据目标损失和复用损失，更新待训练模型；

重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型；

所述数据组合包括单个数据、多个最终特有特征、多个最终共有特征，其中，所述多个最终特有特征和多个最终共有特征的数量与复用模型的数量相同，所述多个最终特有特征中的每个最终特有特征、所述多个最终共有特征中的每个最终共有特征是通过下述方法得到：

将从数据集中提取的单位数据输入复用模型得到复用特征，

将复用特征经过映射更新计算更新共有特征映射和特有特征映射；

比较是否网络收敛，如果不收敛，重复上述步骤，如果收敛，得到与所述单位数据对应的一个最终共有特征和一个最终特有特征。

2.如权利要求1所述的模型复用方法，其特征在于，所述将复用特征经过映射更新计算更新共有特征映射和特有特征映射，包括：

将复用特征输入共有特征映射和特有特征映射，得到共有特征和特有特征；

基于对抗学习方法，根据所述共有特征来更新所述共有特征映射；

基于自动编码器的方法，根据所述共有特征和所述特有特征来更新所述特有特征映射。

3.如权利要求2所述的模型复用方法，其特征在于，所述比较是否网络收敛包括：

当所述特有特征和所述共有特征重构出所述复用特征，所述特有特征映射为最终特有特征映射，当前的特有特征为最终特有特征；

当根据所述复用特征得到的共有特征无法被判别器区分为哪个复用模型生成时，所述共有特征映射为最终共有特征映射，且该共有特征为最终共有特征。

4.如权利要求2或3所述的模型复用方法，其特征在于，在所述如果收敛，得到与所述单位数据对应的一个最终共有特征和一个最终特有特征之后，还包括：

将数据集中所有的单个数据输入至复用模型，提取所有单个数据的复用特征；

使用最终共有特征映射提取每个复用特征的最终共有特征；

使用最终特有特征映射提取每个复用特征的最终特有特征。

5.如权利要求2所述的模型复用方法，其特征在于，所述基于对抗学习方法，根据所述共有特征来更新所述共有特征映射，包括：

将得到的共有特征输入至判别器，基于优化公式，得到对抗损失；

使用对抗损失，更新共有特征映射。

6.如权利要求2所述的模型复用方法，其特征在于，所述基于自动编码器的方法，根据所述共有特征和所述特有特征来更新所述特有特征映射，包括：

基于自动编码器的方法，将与复用特征对应的特有特征和共有特征输入至解码函数，获得与复用特征对应的重构特征；

使用复用特征和与复用特征对应的重构特征，计算与复用特征对应的重构误差，更新特有特征映射。

7.如权利要求1所述的模型复用方法，其特征在于，在所述将通过数据集中的多个数据得到的多个数据组合输入至待训练模型之前，还包括：

对多个数据组合中的所有最终共有特征和所有最终特有特征进行线性变换或非线性变换。

8.如权利要求1所述的模型复用方法，其特征在于，在所述基于模型复用损失函数，得到复用损失之前，还包括：

对经过待训练模型提取的数据组合中的单个数据的特征进行线性变换或非线性变换。

9.一种行人再识别任务中的模型复用系统，其特征在于，包括：

对抗学习模块，用于通过数据集中的多个数据得到的多个数据组合；所述数据集中的数据为行人图片；

损失计算模块，用于将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；得到训练好的待训练模型；

更新训练模块，用于重复执行损失计算模块，直到重复次数达到阈值次数；

所述数据组合包括单个数据、多个最终特有特征、多个最终共有特征，其中，所述多个最终特有特征和多个最终共有特征的数量与复用模型的数量相同，所述多个最终特有特征中的每个最终特有特征、所述多个最终共有特征中的每个最终共有特征是通过下述方法得到：

将从数据集中提取的单位数据输入复用模型得到复用特征，

将复用特征经过映射更新计算更新共有特征映射和特有特征映射；

比较是否网络收敛，如果不收敛，重复上述步骤，如果收敛，得到与所述单位数据对应的一个最终共有特征和一个最终特有特征。