申请/专利权人：平安科技(深圳)有限公司

申请日：2021-09-26

公开（公告）日：2024-06-28

公开（公告）号：CN113869193B

主分类号：G06V40/10

分类号：G06V40/10;G06V40/16;G06V10/40;G06V10/82;G06V10/52;G06N3/0464;G06N3/084;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.01.21#实质审查的生效;2021.12.31#公开

摘要：本发明涉及图像识别技术领域，提供一种行人再识别模型的训练方法、行人再识别方法及系统，分别提取一个训练样本的源域和目标域原始特征向量，通过行人再识别模型分解得到域不变身份特征和域特定增强特征；重原始特征向量、域不变身份特征和域特定增强特征，得到重构特征向量组；将重构特征向量组输入跨域人脸识别损失函数和域分类损失函数；依此循环迭代完成所有训练样本的训练，选择跨域人脸识别损失与域分类损失之和最小的模型作为训练完成的行人再识别模型。本发明的重构特征组增加了训练中使用样本的多样性，继承了源域中可靠的身份标签，能够很好地表征源域和目标域的数据分布，在样本较少的情况下训练出高效识别的行人再识别模型。

主权项：1.一种行人再识别模型的训练方法，其特征在于，包括：步骤100，分别提取一个训练样本的源域和目标域的人物图像的原始特征向量，通过行人再识别模型将所述原始特征向量分解得到域不变身份特征和域特定增强特征；步骤200，重构所述原始特征向量、域不变身份特征和域特定增强特征，得到重构特征向量组；步骤300，将所述重构特征向量组输入跨域人脸识别损失函数和域分类损失函数中计算对应的跨域人脸识别损失和域分类损失；步骤400，循环迭代上述步骤，直到完成所有训练样本的训练，选择跨域人脸识别损失与域分类损失之和最小的模型作为训练完成的行人再识别模型；所述分别提取一个训练样本的源域和目标域的人物图像的原始特征向量，通过行人再识别模型将所述原始特征向量获得域不变身份特征和域特定增强特征的步骤包括：分别提取一个训练样本中的所述源域和所述目标域的人物图像的原始特征向量；通过全尺度网络OSNet分解获得域不变身份特征和域特定增强特征： 其中，为特征向量；为域不变身份特征；为域特定增强特征；为逐元素相乘；为OSNet网络的响应，且 ；其中，T=4；为长度跨越输入的整个通道维数的向量；所述重构所述原始特征向量、域不变身份特征和域特定增强特征，得到重构特征向量组的步骤包括：重新组合所述源域和所述目标域的人物图像的域不变身份特征和域特定增强特征，获得第一重构特征向量和第二重构特征向量；按照不同顺序，重新排列组合所述源域的人物图像的原始特征向量、所述目标域的人物图像的原始特征向量、所述第一重构特征向量和所述第二重构特征向量，获得重构特征向量组；所述重新组合所述源域和所述目标域的人物图像的域不变身份特征和域特定增强特征，获得第一重构特征向量和第二重构特征向量的步骤包括：重新组合所述源域的人物图像的域不变身份特征和所述目标域的人物图像的域特定增强特征，获得所述第一重构特征向量；重新组合所述源域的人物图像的域特定增强特征和所述目标域的人物图像的域不变身份特征，获得所述第二重构特征向量。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 行人再识别模型的训练方法、行人再识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD