[发明专利]一种模型更新方法以及相关装置

说明书

本申请涉及人工智能领域，公开了一种模型更新方法，包括：根据多个目标特征对多个训练图像进行多次第一聚类处理，得到多个第一聚类结果，多个第一聚类结果中的每个第一聚类结果对应于一个轮廓系数，轮廓系数表示聚类质量；根据轮廓系数确定第一目标聚类结果，第一目标聚类结果包括M个聚类类别；根据多个目标特征对多个训练图像进行第二聚类处理，得到第二聚类结果，第二聚类结果包括的聚类类别数量为M。本申请不需要基于带标签的样本在对得到的不同聚类类别数目对应的模型进行验证来确定最佳的聚类数量，可以直接通过第一聚类的结果来选择最优的聚类类别数量。

技术领域

本申请涉及人工智能领域，尤其涉及一种模型更新方法以及相关装置。

背景技术

随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发 展，大量的监控摄像头应用在人群密集易发生公共安全的场所，人工已难以应对海量增长 的监控视频，因此利用计算机对监控视频中的行人等进行再识别的需求应运而生。其中再 识别是指监控视频中识别出某个特定的已经在监控网络中出现过的行人。例如，在监控网 络中，行人会在不同的摄像头下出现，行人再识别的任务是在监控网络中行人的身份的鉴 定，将曾经在监控网络中出现过的目标行人在其他摄像机的场景内再次识别出来的技术， 即在给定一些候选目标的情况下如何将行人进行再识别。

得益于深度学习的发展，图像检索、识别类任务性能获得了巨大的提升，然而现有深 度学习解决方案依赖于数据，在同一场景下，借助于大量训练数据可以得到在当前场景下 性能优异的深度模型，然而深度模型在实际部署时会遇到场景和训练数据分布不一致的情 况，在部署场景性能会大幅下降。为了解决目标场景部署时性能下降的问题，可以使用目 标场景无标签样本对进行训练，从而提高目标场景性能。

现有技术中，在使用目标场景无标签样本对进行训练的过程中，开始时将每一个样本 视作一个单独的聚类类别，每次迭代按照最小距离原则缩减一定数目的聚类类别，随着迭 代的进行，聚类类别的数目减小，模型也随着训练性能逐渐提高，最后对得到的不同聚类 类别数目对应的模型进行验证，以确定最佳性能的模型，在上述验证过程中，需要基于带 标签的样本在对得到的不同聚类类别数目对应的模型进行验证，然而，在一些场景中，带 标签的样本常常很难获得。

发明内容

本申请提供了一种模型更新方法，所述方法包括：

获取神经网络模型和多个训练图像；

通过所述神经网络模型对所述多个训练图像进行特征提取，得到多个目标特征；

根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，得到多个第一聚 类结果，所述多个第一聚类结果中的每个第一聚类结果对应于一个轮廓系数，所述轮廓系 数表示聚类质量；

根据所述多个第一聚类结果对应的多个轮廓系数从所述多个第一聚类结果中确定第 一目标聚类结果，所述第一目标聚类结果包括M个聚类类别；

根据所述多个目标特征对所述多个训练图像进行第二聚类处理，得到第二聚类结果， 并根据第一损失函数更新所述神经网络的参数，所述第二聚类结果包括的聚类类别数量为 所述M。

在第一方面的一种可选设计中，所述轮廓系数根据类间分离度以及类内凝聚度计算， 所述类间分离度表示不同聚类类别之间的距离，所述类内凝聚度表示同一个聚类类别对应 的不同训练图像之间的距离。

在第一方面的一种可选设计中，所述第一目标聚类结果对应的轮廓系数大于所述多个 第一聚类结果中除所述第一目标聚类结果之外的其他聚类结果对应的轮廓系数。

在第一方面的一种可选设计中，所述根据所述多个目标特征对所述多个训练图像进行 多次第一聚类处理，包括：

根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，并在每次第一聚 类处理之后基于第二损失函数更新所述神经网络的参数。