[发明专利]神经网络训练及图像识别方法、装置、设备和存储介质

说明书

本公开涉及一种神经网络训练及图像识别方法、装置、设备和存储介质。所述训练方法包括：将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；将初始特征图通过第一初始识别神经网络模型，得到第一预测结果；将初始特征图通过第二初始识别神经网络模型，得到第二预测结果；根据第一预测结果和第二预测结果，更新初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。通过上述过程，可以使得训练后得到的特征提取神经网络模型在对目标对象进行特征提取时，兼具整体和局部的提取效果，从而增大了特征提取网络模型的网络容量、泛化能力以及提取精度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络的训练及图像识别方法、装置、设备和存储介质。

背景技术

行人重识别是指给出一个行人的询问图片，需要在一个大规模的数据集中寻找到同一个人的所有图片。随着深度学习技术的发展，行人重识别可以通过神经网络来实现。

然而，随着行人重识别任务愈加复杂，对神经网络的识别精度的要求愈高，如何提高神经网络的识别能力，成为一个亟待解决的问题。

发明内容

本公开提出了一种神经网络的训练方案。

根据本公开的一方面，提供了一种神经网络的训练方法，包括：

将训练数据通过初始特征提取神经网络模型，得到目标对象的初始特征图；

将所述初始特征图通过第一初始识别神经网络模型，得到第一预测结果，其中，所述第一初始识别神经网络模型用于根据所述目标对象的整体特征进行识别；

将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，其中，所述第二初始识别神经网络模型用于根据所述目标对象的局部特征进行识别；

根据所述第一预测结果和所述第二预测结果，更新所述初始特征提取神经网络模型，得到训练后的特征提取神经网络模型。

通过上述过程，可以分别通过第一初始识别神经网络模型和第二初始识别神经网络模型，利用提取的训练数据中的整体特征和局部特征，来实现对初始特征提取神经网络模型的训练，从而使得训练后得到的特征提取神经网络模型在对目标对象进行特征提取时，可以兼具整体和局部的提取效果，从而增大了特征提取网络模型的网络容量、泛化能力以及提取精度。

在一种可能的实现方式中，所述将所述初始特征图通过第二初始识别神经网络模型，得到第二预测结果，包括：

根据所述初始特征图，生成局部特征掩模；

根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果；

将所述降维结果作为所述第二预测结果。

通过上述过程，可以减少初始特征图中与局部特征无关的背景噪声对得到的第二预测结果的影响，提升第二初始识别神经网络模型对局部特征的抽取能力，从而提升得到的第二预测结果的准确程度，继而可以提升根据第二预测结果训练得到的特征提取神经网络模型的精度和准确程度。

在一种可能的实现方式中，所述根据所述初始特征图，生成局部特征掩模，包括：

将所述初始特征图通过卷积层，得到卷积结果；

将所述卷积结果的值对应到预设值域内，得到局部特征掩模。

通过上述过程，可以使得得到的局部特征掩模可以在不损失分辨率的前提下，增加对非线性特征的提取能力，基于这一方式得到的局部特征掩模来得到的第二预测结果，具有更高的准确度。

在一种可能的实现方式中，所述根据所述局部特征掩模，对所述初始特征图进行降维，得到降维结果，包括：

通过所述局部特征掩模，对所述初始特征图进行加权均值池化，得到降维结果。