[发明专利]目标重识别模型的训练方法以及目标重识别方法和装置

权利要求书

1.一种目标重识别模型的训练方法，其特征在于，包括：

将多个训练图像输入到全卷积神经网络中，其中，所述多个训练图像包括多个目标，每个目标对应多张训练图像；

根据所述全卷积神经网络获取每个训练图像的各个局部区域所对应的空域特征所构成的空域特征矩阵；

针对每个训练图像：将所述训练图像作为第一元组；将与所述训练图像的目标相同且距离最远的训练图像作为第二元组；将与所述训练图像的目标不同且距离最近的训练图像作为第三元组；

根据所述第一元组的空域特征矩阵与所述第二元组对应的空域特征矩阵之间的距离之和，以及所述第一元组的空域特征矩阵与所述第三元组对应的空域特征矩阵之间的距离之和，确定每个所述训练图像的第一损失；

根据所有训练图像对应的所述第一损失之和，确定总损失；

基于所述总损失计算的梯度更新所述全卷积神经网络；

当满足预设的终止条件时，所述全卷积神经网络训练完成，训练完成的所述全卷积神经网络作为所述目标识别模型。

2.根据权利要求1所述的目标重识别模型的训练方法，其特征在于，还包括：

根据所述全卷积神经网络获取所述训练图像的预测的第一矩阵；

根据所述训练图像的预测的第一矩阵与真实的第一矩阵确定每个所述训练图像的第二损失，所述第一矩阵中的每个元素表示所述训练图像所对应的空域特征矩阵中的相应空域特征属于前景标签的概率；

其中，所述确定总损失包括：根据所有训练图像分别对应的所述第一损失之和以及所述第二损失之和，确定总损失。

3.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，还包括：

根据所述全卷积神经网络获取所述训练图像的预测的第二矩阵；

根据所述训练图像的预测的第二矩阵与真实的第二矩阵确定每个训练图像对应的第三损失，所述第二矩阵中的每个元素表示所述训练图像所对应的空域特征矩阵中的相应空域特征属于前景的姿态的概率；

其中，所述确定总损失包括：根据所有训练图像分别对应的所述第一损失之和、所述第二损失之和以及所述第三损失之和，确定总损失。

4.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，确定总损失包括：

为所述第一损失、所述第二损失和所述第三损失分别设置一个权重，其中，所述第三损失的权重分别大于所述第一损失的权重和所述第二损失的权重；

利用设置的权重对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到所述总损失。

5.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，所述真实的第一矩阵通过将所述训练图像输入到语义分割网络模型中得到。

6.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，所述预测的第二矩阵根据全卷积神经网络的用于姿态估计的多个卷积层得到，其中，每个卷积层被配置为对所述训练图像中的前景的一个姿态关键点进行姿态估计。

7.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，所述真实的第二矩阵通过将所述训练图像输入到姿态估计模型中得到。

8.根据权利要求2所述的目标重识别模型的训练方法，其特征在于，所述确定每个训练图像对应的第二损失包括：

计算所述训练图像的预测的第一矩阵与真实的第一矩阵的二范数，将所述二范数作为所述第二损失。

9.根据权利要求3所述的目标重识别模型的训练方法，其特征在于，所述确定每个训练图像对应的第三损失包括：

计算所述训练图像的预测的第二矩阵与真实的第二矩阵的二范数，将所述二范数作为所述第三损失。