[发明专利]一种图像重识别特征强化的方法及装置

说明书

本发明公开了一种图像重识别特征强化的方法及装置，该方法包括步骤1，构建模型：（1）骨干网络层：骨干网络使用hrnet来提取特征；（2）特征表示层：在图像经过骨干网络层后得到初步的特征，接着flatten操作（3）特征加强层：将经过骨干网络层、特征表示层得到的特征表示矩阵M，送入两层特征强化层加强特征，步骤2，模型训练；步骤3，预测图像是否在底库中。通过采用特征加强层，将底库图像与要查询的图像一起组成批输入达到加强特征的目的，使得特征在底库中更具有区分度。使用特征加强层根据一个batch的特征去加强每个特征，来提高该batch特征间的区分度。将底库与查询图像一起加强来提高识别的准确率和召回率。

技术领域

本发明涉及人脸识别和重识别研究领域，具体涉及一种图像重识别特征强化的方法及装置。

背景技术

目前人脸识别技术在通用场景下会有很多局限性，尤其是在做大规模人脸识别的时候就会导致很多的误报，这是因为现在人脸识别都会将每张人脸图像编码成固定长度的特征向量，所以不同人脸图像的相似度是完全固定的，这就导致了可能存在多个不同的人在特征空间中位于相近的位置而导致模型无法区分开。

发明内容

为了克服现有技术的不足，本发明提供了一种图像重识别特征强化的方法及装置，将底库与查询图像一起加强来提高识别的准确率和召回率。技术方案如下：

本发明提供了一种图像重识别特征强化的方法，该方法主要包括如下步骤：

步骤1，构建模型；

骨干网络层：骨干网络使用hrnet来提取特征；

特征表示层：

在图像经过骨干网络层后得到初步的特征，接着flatten操作，再使用一个全连接层，全连接层的输出维度K为最终的特征维度，得到最终的图像特征表示向量F：F∈R^K；

特征加强层：

将一个大小为N的batch中的图像，经过骨干网络层、特征表示层后，得到了特征表示矩阵M∈R^N*K，其中M的每一行作为一个特征表示向量，接着将M进行转置操作，M的每一列可以视为特征表示向量的一个分量采样向量，接着将M送入两层特征强化层加强特征，特征强化层计算方法如下：

L＝concat(H₁，H₂，...，H_i…，H_m)W^(O)；

其中m为加强层的宽度，W_i^(Q)，W_i^(K)，W_i^(V)，W^(O)为可学习的权重矩阵i＝1，2，3，...，m，d_k为常量，在经过Q_iK_i^T之后，将M中两两特征分量采样向量进行内积，即每个分量融合了其它分量的信息，再将融合后的权重返回到V_i中加强对应的分量，得到新的特征，其中特征中的每个分量都被强化过了，排除了很相近的特征分量的信息，来最大程度区分不同的目标，最终得到特征矩阵L；

步骤2，模型训练；

训练时损失函数Loss，计算方法如下：