[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；将初始特征图通过初始分割神经网络模型，得到分割结果；根据第一预测结果、第二预测结果和分割结果，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；同时，利用该模型得到的分割结果可以使得训练得到的特征提取网络模型具有更高的收敛度和精确度。

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；

将所述初始特征图通过初始分割神经网络模型，得到分割结果，其中，所述初始分割神经网络模型用于在所述初始特征图中将所述目标对象与非目标对象所在的区域进行区分；

根据所述第一预测结果、所述第二预测结果和所述分割结果，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；同时，由于在训练时还加入了初始分割神经网络模型，利用该模型得到的分割结果可以有效的在更新初始特征提取神经网络模型时提供约束和监督，从而可以指导特征提取模型学习细粒度的信息，使得训练得到的特征提取网络模型具有更高的收敛度和精确度。

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，得到第一降维结果；

将所述第一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第一卷积层，得到卷积结果；