[发明专利]模型训练方法、移动对象识别方法、装置及设备

权利要求书

1.一种模型训练方法，其特征在于，包括：

获取包括预设对象的训练图像以及与所述预设对象相对应的身份信息；

利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征；

利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征,其中,所述第一机器学习模型与所述第二机器学习模型不同，所述第一训练特征与所述第二训练特征不同；

基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。

2.根据权利要求1所述的方法，其特征在于，所述训练图像的数量为多个，在获取包括预设对象的训练图像之后，所述方法还包括：

对多个训练图像进行像素归一化处理，获得与所述多个训练图像相对应的多个中间图像；

对所述多个中间图像进行色域转换处理，获得与所述多个训练图像相对应的多个目标训练图像。

3.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型包括注意力机制，所述第二机器学习模型包括由卷积神经网络所构成的透视转换子网络、残差子网络和转置卷积子网络。

4.根据权利要求3所述的方法，其特征在于，利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征，包括：

利用注意力机制对所述训练图像进行处理，获得与所述训练图像所对应的特征权重系数；

基于所述特征权重系数和所述训练图像，获得与所述训练图像相对应的第一训练特征。

5.根据权利要求4所述的方法，其特征在于，基于所述特征权重系数和所述训练图像，获得与所述训练图像相对应的第一训练特征，包括：

确定与所述特征权重系数相对应的目标权重系数，其中，所述目标权重系数的非线性程度大于所述特征权重系数的非线性程度；

基于所述目标权重系数和训练图像，获得所述第一训练特征。

6.根据权利要求5所述的方法，其特征在于，确定与所述特征权重系数相对应的目标权重系数，包括：

获取用于增加所述特征权重系数的非线性程度的激活函数；

利用所述激活函数对所述特征权重系数进行处理，获得所述目标权重系数。

7.根据权利要求6所述的方法，其特征在于，利用所述激活函数对所述特征权重系数进行处理，获得所述目标权重系数，包括：

利用所述激活函数对所述特征权重系数进行处理，获得处理后权重系数；

对所述处理后权重系数进行归一化处理，获得所述目标权重系数。

8.根据权利要求5所述的方法，其特征在于，基于所述目标权重系数和训练图像，获得所述第一训练特征，包括：

将所述目标权重系数与所述训练图像的乘积，确定为所述第一训练特征。

9.根据权利要求3所述的方法，其特征在于，利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征，包括：

利用所述透视转换子网络对所述训练图像进行分析处理，获得与所述训练图像相对应的图像变换矩阵；

基于所述图像变换矩阵,获得与所述训练图像相对应的第二训练特征。

10.根据权利要求9所述的方法，其特征在于，利用所述透视转换子网络对所述训练图像进行分析处理，获得与所述训练图像相对应的图像变换矩阵，包括：

获取所述训练图像中的像素点坐标信息；

利用所述透视转换子网络对所述像素点坐标信息进行分析处理，获得与所述训练图像相对应的图像变换矩阵。