[发明专利]多任务属性识别方法及设备、计算机可读存储介质

说明书

本申请涉及一种多任务属性识别方法及设备、计算机可读存储介质。所述方法包括：获取待分类图像；通过主干网络对所述待分类图像进行分组卷积处理，以提取具有多层次特性的公共特征；通过分支网络将所述公共特征匹配到对应的任务类型；其中，所述分支网络的数量为一个以上；所述分支网络对所述公共特征执行所述分组卷积处理，以得到分支特征；通过任务网络对所述分支特征进行处理，识别任务所需要的属性特征；所述任务网络的数量为一个以上。上述多任务属性识别方法及设备、计算机可读存储介质解决了多任务模型中复杂的网络不便获得不同尺度和不同丰富程度的特征的问题。

技术领域

本申请涉及卷积计算技术领域，特别是涉及一种多任务属性识别方法及设备、计算机可读存储介质。

背景技术

在深度学习应用领域，量化模型性能有多种指标。这些指标包括精度、模型大小和前向推理速度等。可用的算法模型不仅需要满足精度需求，还要能适用于现有的计算平台，且要有较快的反应时间。这就要求模型小而精。

在进行目标识别时，对于同一目标物往往有不同的任务需求，而每个任务训练一个模型无疑是耗时的，且在实际应用时多个模型都需要前向推理，严重影响系统的反应速度。为了提高效率，研究者提出了多任务模型，即将针对同一目标物的多种任务集成到同一个模型中，不同任务分支共享一个网络主干，每个任务分支再针对不同需求设计分支内容。

这种不同任务分支共享一个网络主干的模型中，随着任务数量的增加，对主干网络的性能要求越来越大。例如，在非机动车属性识别应用中，需要识别的非机动车属性包括类别、是否安装遮阳伞、是否载人、行驶方向、后视镜数目、是否安装储物筐、储物箱、颜色等。为了精简模型适用于实际场景，多种属性识别被集成到一个模型中形成一个较大的多任务模型。

但由于多任务模型对主干网络要求较高，为确保精度，主干网络通常采用残差网络，例如ResNet34或者ResNet50，甚至ResNet152，复杂的网络不便获得不同尺度和不同丰富程度的特征。

发明内容

基于此，有必要针对多任务模型中复杂的网络不便获得不同尺度和不同丰富程度的特征的问题，提供一种多任务属性识别方法及设备、计算机可读存储介质。

为了实现本申请的目的，本申请采用如下技术方案：

一种多任务属性识别方法，包括：

获取待分类图像；

通过主干网络对所述待分类图像进行分组卷积处理，以提取具有多层次特性的公共特征；

通过分支网络将所述公共特征匹配到对应的任务类型；其中，所述分支网络的数量为一个以上；所述分支网络对所述公共特征执行所述分组卷积处理，以得到分支特征；

通过任务网络对所述分支特征进行处理，识别任务所需要的属性特征；所述任务网络的数量为一个以上。

一种多任务属性识别设备，包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的多任务属性识别程序，所述多任务属性识别程序被所述处理器执行时实现如上所述的多任务属性识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有多任务属性识别程序，所述多任务属性识别程序被处理器执行时实现如上所述的多任务属性识别方法的步骤。

上述多任务属性识别方法及设备、计算机可读存储介质，通过在主干网络采用分组卷积处理的方式，能够得到具有多层次特性的公共特征，既有助于获取目标物的全局特征，又有助于获取目标物的局部特征。过在分支网络采用分组卷积处理并匹配任务类型的方式，可以将多任务所需属性特征按任务类型分类输出，以得到更加适用于相应任务类型的分支特征。因此解决了多任务模型中复杂的网络不便获得不同尺度和不同丰富程度的特征的问题。

附图说明

图1为本申请实施例方案涉及的硬件运行环境的分组卷积设备结构示意图；