[发明专利]识别装置、识别方法和训练方法

权利要求书

1.一种识别装置，所述识别装置包括：

提取单元，所述提取单元被配置为从输入数据中提取第二格式的N维特征向量，所述第二格式的N维特征向量包括第一格式的M维特征向量，M为2或更大的整数，N为大于M的整数；以及

识别单元，所述识别单元被配置为基于所述第一格式的所述特征向量和所述第二格式的所述特征向量，识别所述输入数据中的识别目标。

2.根据权利要求1所述的识别装置，其中，所述输入数据为图像数据，并且所述识别目标为对象。

3.根据权利要求1所述的识别装置，其中，所述识别单元包括：

第一计算单元，所述第一计算单元被配置为计算所述第一格式的特征向量之间的第一相似度；以及

第二计算单元，所述第二计算单元被配置为基于所述第一相似度的计算结果，计算所述第二格式的特征向量之间的第二相似度。

4.根据权利要求3所述的识别装置，其中，在所述第一相似度大于预定值的情况下，所述第二计算单元被配置为计算所述第二相似度。

5.根据权利要求3所述的识别装置，其中，所述第一相似度的召回率大于所述第二相似度的召回率，而所述第二相似度的精度大于所述第一相似度的精度。

6.根据权利要求3所述的识别装置，其中，所述第二计算单元被配置为基于所述第一计算单元计算所述第一相似度时的中间结果，计算所述第二相似度。

7.根据权利要求1至6任一所述的识别装置，其中，所述提取单元为使用第一损失函数和第二损失函数训练的深度神经网络，所述第一损失函数被设计为利用所述第一格式的所述特征向量来提高召回率，而所述第二损失函数被设计为利用所述第二格式的所述特征向量来提高识别性能。

8.一种识别方法，所述识别方法包括：

从输入数据中提取第二格式的N维特征向量，所述第二格式的N维特征向量包括第一格式的M维特征向量，M为2或更大的整数，N为大于M的整数；以及

基于所述第一格式的所述特征向量和所述第二格式的所述特征向量，识别所述输入数据中的识别目标。

9.一种由计算机执行的训练方法，所述训练方法包括：

获取一对识别目标数据以及指示所述识别目标是否为同一识别目标的标签作为训练数据；以及

基于所述训练数据、第一损失函数和第二损失函数，来训练深度神经网络，所述第一损失函数被设计为利用关于所述识别目标的第一格式的M维特征向量来提高召回率，M为2或更大的整数，而所述第二损失函数被设计为基于所述训练数据，利用关于所述识别目标的第二格式的N维特征向量来提高识别性能，N为大于M的整数，所述第二格式的N维特征向量包括所述第一格式的所述M维特征向量。

10.一种存储介质，所述存储介质中存储有使计算机执行识别方法的程序，所述识别方法包括：

从输入数据中提取第二格式的N维特征向量，所述第二格式的N维特征向量包括第一格式的M维特征向量，M为2或更大的整数，N为大于M的整数；以及

基于所述第一格式的所述特征向量和所述第二格式的所述特征向量，识别所述输入数据中的识别目标。

11.一种存储介质，所述存储介质中存储有使计算机执行训练方法的程序，所述训练方法包括：

获取一对识别目标数据以及指示所述识别目标是否为同一识别目标的标签作为训练数据；以及

基于所述训练数据、第一损失函数和第二损失函数，来训练深度神经网络，所述第一损失函数被设计为利用关于所述识别目标的第一格式的M维特征向量来提高召回率，M为2或更大的整数，而所述第二损失函数被设计为基于所述训练数据，利用关于所述识别目标的第二格式的N维特征向量来提高识别性能，N为大于M的整数，所述第二格式的N维特征向量包括所述第一格式的所述M维特征向量。