[发明专利]一种行人再识别网络的训练方法及装置

说明书

本公开提供了一种行人再识别网络的训练方法及装置，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能云场景下。具体实现方案为：获取待训练的行人再识别网络，将训练数据集输入行人再识别网络，得到正常样本特征、正常样本图像的平均特征；针对各个身份标签，基于待学习参数、每一正常样本图像的正常样本特征、正常样本图像的平均特征、其他身份标签的正常样本图像的平均特征，以及预设损失函数计算损失值，身份标签的可学习参数表征身份标签的困难样本特征；损失函数是基于约束关系确定的；基于各个身份标签对应的损失值，调整行人网络参数和身份标签的待学习参数。解决了困难正样本难以获取的技术问题。

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能云场景下。

背景技术

行人再识别(Person re-identification)也称行人重识别，是利用计算机视觉、深度学习等判断图像或者视频序列中是否存在特定行人的技术，可广泛应用于智能视频监控、智能安保等领域。

发明内容

本公开提供了一种行人再识别网络的训练方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种行人再识别网络的训练方法，所述方法包括：

获取待训练的行人再识别网络，所述行人再识别网络中包含待训练的网络参数和预先设置的针对训练数据集中不同身份标签的待学习参数；所述训练数据集包括：各个身份标签的多个正常样本图像；

将所述训练数据集输入所述行人再识别网络，得到各个身份标签的每一正常样本图像的正常样本特征、各个身份标签的正常样本图像的平均特征；

针对各个身份标签，基于该身份标签的待学习参数、该身份标签的每一正常样本图像的正常样本特征、该身份标签的正常样本图像的平均特征、其他身份标签的正常样本图像的平均特征，以及预设损失函数计算损失值，其中，各个身份标签的可学习参数表征该身份标签的困难样本特征；所述损失函数是基于各个身份标签的正常样本图像的正常样本特征、正常样本图像的平均特征以及困难样本特征之间的约束关系确定的；

基于各个身份标签对应的损失值，调整所述行人再识别网络的网络参数和所述身份标签的待学习参数。

根据本公开的另一方面，提供了一种行人再识别方法，包括：

获取已知身份标签的基准图像和多个未知身份标签的目标图像；

将所述基准图像和所述目标图像输入预先训练的行人再识别网络，分别得到基准特征和各个目标图像的目标特征；其中，所述行人再识别网络是基于行人再识别网络的训练方法训练的；

基于所述基准特征和各个目标特征在特征空间的距离，识别各个目标图像的身份标签。

根据本公开的又一方面，提供了一种行人再识别网络的训练装置，所述装置包括：

获取模块，用于获取待训练的行人再识别网络，所述行人再识别网络中包含待训练的网络参数和预先设置的针对训练数据集中不同身份标签的待学习参数；所述训练数据集包括：各个身份标签的多个正常样本图像；

输入模块，用于将所述训练数据集输入所述行人再识别网络，得到各个身份标签的每一正常样本图像的正常样本特征、各个身份标签的正常样本图像的平均特征；

计算模块，用于针对各个身份标签，基于该身份标签的待学习参数、该身份标签的每一正常样本图像的正常样本特征、该身份标签的正常样本图像的平均特征、其他身份标签的正常样本图像的平均特征，以及预设损失函数计算损失值，其中，各个身份标签的可学习参数表征该身份标签的困难样本特征；所述损失函数是基于各个身份标签的正常样本图像的正常样本特征、正常样本图像的平均特征以及困难样本特征之间的约束关系确定的；