CN109543537A

CN109543537A - 重识别模型增量训练方法及装置、电子设备和存储介质

Info

Publication number: CN109543537A
Application number: CN201811236872.2A
Authority: CN
Inventors: 蔡晓聪; 侯军; 伊帅; 闫俊杰
Original assignee: Beijing Sensetime Technology Development Co Ltd
Current assignee: Beijing Sensetime Technology Development Co Ltd
Priority date: 2018-10-23
Filing date: 2018-10-23
Publication date: 2019-03-29
Anticipated expiration: 2038-10-23
Also published as: CN109543537B

Abstract

本公开涉及一种重识别模型增量训练方法及装置、电子设备和存储介质。所述方法包括：将待识别图像输入学生模型进行处理得到第一处理结果，将待识别图像输入教师模型进行处理得到第二处理结果，待识别图像包括历史图像和增量图像，教师模型根据历史图像训练得到；根据学生模型中分类层的输出结果和教师模型中分类层的输出结果，确定模拟损失；根据第一处理结果、待识别图像的实际标识和模拟损失，确定第一处理结果的损失；向学生模型反向传播第一处理结果的损失的梯度，以调整学生模型的参数。本公开实施例能够缩短重识别模型的训练时间，提高重识别模型的训练效率，训练得到的重识别模型的准确率高。

Description

重识别模型增量训练方法及装置、电子设备和存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及一种重识别模型增量训练方法及装置、电子设备和存储介质。

背景技术

在图像识别的各种应用场景中各，可以利用重识别模型进行目标对象重识别。针对已经部署好的重识别模型，当有增量图像产生时，传统的重识别模型增量训练方法中，包括利用增量图像在内的所与图像重新训练重识别模型，使得训练所需的时间较长，训练得到的模型的参数也无法固定，训练得到的重识别模型的识别准确度低。

发明内容

本公开提出了一种重识别模型增量训练技术方案。

根据本公开的一方面，提供了一种重识别模型增量训练方法，包括：

将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；

根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；

根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；

向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。

在一种可能的实现方式中，所述根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失，包括：

根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimic loss函数，确定模拟损失。

在一种可能的实现方式中，所述根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失，包括：

根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；

根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；

根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。

在一种可能的实现方式中，所述方法还包括：

将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；

根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；

根据所述聚类分析结果确定所述增量图像的实际标识。

在一种可能的实现方式中，所述目标对象为行人，所述将所述增量图像划分为图像组，包括：

识别增量图像中的行人，得到增量图像的识别结果，所述增量图像包括时间信息和地点信息；

根据增量图像的识别结果、时间信息和地点信息，确定各所述行人的轨迹；

将与目标行人的轨迹对应的增量图像确定为图像组，所述目标行人为任一所述行人。

根据本公开的一方面，提供了一种重识别模型增量训练装置，所述装置包括：

处理结果获取模块，用于将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；

模拟损失确定模块，用于根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；

处理结果损失确定模块，用于根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；

反向传播模块，用于向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。

在一种可能的实现方式中，所述模拟损失确定模块，包括：

第一模拟损失确定子模块，用于根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimic loss函数，确定模拟损失。

在一种可能的实现方式中，所述处理结果损失确定模块，包括：

处理损失确定子模块，用于根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；

权值损失确定子模块，用于根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；

第一处理结果损失确定子模块，用于根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。

在一种可能的实现方式中，所述装置还包括：

图像组划分模块，用于将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；

聚类分析模块，用于根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；

标识模块，用于根据所述聚类分析结果确定所述增量图像的实际标识。

在一种可能的实现方式中，所述目标对象为行人，所述图像组划分模块，用于：

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述任一项所述的方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任一项所述的方法。

在本公开实施例中，将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。当待识别图像中有增量图像时，能够利用学生模型和教师模型对已经部署的重识别模型进行更新改进，缩短重识别模型的训练时间，提高重识别模型的训练效率，训练得到的重识别模型的准确率高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的重识别模型增量训练方法的流程图；

图2示出根据本公开实施例的重识别模型增量训练方法的流程图；

图3示出根据本公开实施例的重识别模型增量训练方法的流程图；

图4示出根据本公开实施例的重识别模型增量训练装置的框图；

图5示出根据本公开实施例的重识别模型增量训练装置的框图；

图6是根据一示例性实施例示出的一种电子设备的框图；

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的重识别模型增量训练方法的流程图，如图1所示，所述重识别模型增量训练方法，包括：

步骤S10，将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到。

在一种可能的实现方式中，重识别模型可以用于根据给定的目标对象的检索图片，在待识别图像中找出相同的目标对象的图像。待识别图像可以作为训练重识别模型的样本图像。待识别图像可以通过已有的历史图像和获取到的历史图像的增量图像得到。增量图像可以根据需求加入待识别图像中。当待识别图像中加入增量图像时，可以根据待识别图像重新训练重识别模型，以保持重识别模型的准确率。

在一种可能的实现方式中，待识别图像可以包括人、动物、机动车等各种类型的目标对象的图像。重识别模型可以用于进行行人重识别。例如，历史图像可以包括时间段A内监控得到的行人图像，增量图像可以包括时间段B内监控得到的行人图像。当重识别模型根据历史图像训练完毕，待识别图像中增加了时间段B的行人图像时，可以利用包括时间段A和时间段B的行人图像对重识别模型进行增量训练。

在一种可能的实现方式中，可以利用教师模型和学生模型的训练方式，进行重识别模型的增量训练方法。教师模型和学生模型的网络结构可以相同。可以将利用历史图像训练图像完成的重识别模型作为教师模型。可以利用教师模型的参数作为学生模型的初始参数得到学生模型。可以将包括历史图像和增量图像的待识别图像输入教师模型和学生模型进行处理，得到学生模型输出的第一处理结果，以及得到教师模型输出的第二处理结果。

步骤S20，根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失。

在一种可能的实现方式中，教师模型和学生模型可以包括卷积层、分类层和全连接层，其中卷积层可以用于提取待识别图像的特征，分类层可以用于对特征进行分类处理，全连接层可以用于对分类处理的结果进行全连接处理，得到第一处理结果和第二处理结果。本公开不限定教师模型和学生模型中各层的具体实现方式。

在一种可能的实现方式中，可以根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimic loss函数，确定模拟损失。

在一种可能的实现方式中，可以利用mimic loss函数，计算学生模型中分类层的输出结果、所述教师模型中分类层的输出结果之间的损失，得到模拟损失。可以利用传统的mimic loss函数进行计算。

步骤S30，根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失。

在一种可能的实现方式中，可以根据学生模型输出的第一处理结果，和待识别图像的实际标识，得到第一处理结果的处理损失。可以根据第一处理结果的处理损失和模拟损失，得到第一处理结果的损失。例如，可以将第一处理结果的实际损失和模拟损失相加，得到第一处理结果的损失。

步骤S40，向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。

在一种可能的实现方式中，可以向学生模型反向传播第一处理的损失的梯度，完成一次学生模型的训练。可以将待识别图像依次输入学生模型和教师模型，对学生模型进行迭代训练。当满足设定的迭代次数，或满足设定的收敛条件时，可以停止学生模型的训练。可以将训练得到的学生模型作为训练完成重识别模型。训练完成的重识别模型可以包括历史图像和增量图像的待识别图像进行重识别。

在本实施例中，将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述教师模型根据所述历史图像训练得到；根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。当待识别图像中有增量图像时，能够利用学生模型和教师模型对已经部署的重识别模型进行更新改进，缩短重识别模型的训练时间，提高重识别模型的训练效率，训练得到的重识别模型的准确率高。

图2示出根据本公开实施例的重识别模型增量训练方法的流程图，如图2所示，所述重识别模型增量训练方法中步骤S30，还包括：

步骤S31，根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失。

在一种可能的实现方式中，可以利用传统的损失函数，根据第一处理结果和用于得到第一处理结果的待识别图像的实际标识，计算得到第一处理结果的处理损失。

步骤S32，根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值。

在一种可能的实现方式中，由于待识别图像中包括历史图像和增量图像，可以预设第一权值和第二权值，第一权值大于第二权值。当输入学生模型和教师模型的待识别图像为历史图像时，确定历史图像对应的第一权值用于计算第一处理结果的权值损失。当输入学生模型和教师模型的待识别图像为增量图像时，确定增量图像对应的第二权值用于计算第一处理结果的权值损失。可以将第一权值或第二权值与处理损失相乘得到权值损失。

步骤S33，根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。

在一种可能的实现方式中，可以将所述模拟损失和所述权值损失相加，得到所述第一处理结果的损失。在向学生模型反向传播第一处理结果的损失的梯度时，由于增量图像的权值较小，使得增量图像在第一处理结果的损失中所占的比例比历史图像所占的比例更大，历史图像和增量图像对于重识别模型的参数调整起到的作用不同。

在本实施例中，根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。对历史图像和增量图像设置不同的权值，可以历史图像的损失权重值较大，增量图像的损失权重值较小，可以使得增量图像在重识别模型的增量训练过程中，对参数调整的贡献更大，使得训练完成的重识别模型能够更加适应增量图像。

图3示出根据本公开实施例的重识别模型增量训练方法的流程图，如图3所示，所述重识别模型增量训练方法，还包括：

步骤S100，将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像。

在一种可能的实现方式中，在获取到增量图像后，可以对增量图像中的目标对象进行标识，以使重识别模型可以根据增量图像进行训练。在对增量图像进行标识的过程中，可以将增量图像按照相同目标对象的图像划分为图像组。例如，增量图像可以为行人图像，可以将同一个行人的图像组成图像组。可以利用人工识别或图像识别的方式，将相同目标对象的图像组成图像组。

步骤S200，根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果。

在一种可能的实现方式中，可以提取图像组中各图像的特征，根据各图像的特征的均值，得到图像组的特征。也可以提取图像组中任意一个图像的特征作为图像组的特征。可以根据图像组之间的相似度构建相似度度量矩阵。可以根据相似度度量矩阵对各图像组进行聚类分析。得到聚类分析结果。

例如，图像组为各行人的图像组。由于行人换衣服等原因，相同行人的图像可能包括多个图像组。通过获取图像组的特征，并根据图像组的特征进行聚类分析，得到的聚类结果中，每一类别的多个图像组可以认为是相同的目标对象的图像组。

步骤S300，根据所述聚类分析结果确定所述增量图像的实际标识。

在一种可能的实现方式中，可以根据聚类分析结果，确定各类别中的图像组的实际标识。例如，可以根据各类中的一个图像组进行图像识别，可以将识别结果确定为该类别中各图像组的图像的实际标识。

在本实施例中，可以通过将增量图像划分为图像组，可以根据图像组的特征进行聚类分析，并根据聚类分析结果确定所述增量图像的实际标识。通过划分图像组以及聚类分析，可以提高增量图像的标识效率。

在一种可能的实现方式中，所述目标对象为行人，所述步骤S100，包括：

识别增量图像中的行人，得到增量图像的识别结果，所述增量图像包括时间信息和地点信息；根据增量图像的识别结果、时间信息和地点信息，确定各所述行人的轨迹；将与目标行人的轨迹对应的增量图像确定为图像组，所述目标行人为任一所述行人。

在一种可能的实现方式中，可以在路边设置多个监控摄像头获取增量图像。增量图像可以包括事件信息和地点信息，其中，时间信息为图像的拍摄时间，地点信息为摄像头的位置信息。

在一种可能的实现方式中，可以识别各增量图像中的行人，得到各增量图像的识别结果。可以根据各增量图像的识别结果，确定各行人的轨迹。一个行人可以对应一个或多个轨迹。可以将一个行人的所有轨迹对应的图像组成图像组，也可以将一个行人的部分轨迹对应的图像组成图像组。例如，可以得到行人A的两个轨迹：时间段1内依次出现在地点A、地点B和地点C；时间段2内依次出现在地点D和地点E。也可以得到行人B的两个轨迹：时间段1内依次出现在地点B、地点C；时间段2内依次出现在地点C和地点E。可以将行人A的两个轨迹对应的图像分别确定为行人A的图像组A1和图像组A2，将行人B的两个轨迹对应的图像分别确定为行人B的图像组B1和图像组B2。

在本实施例中，可以对增量图像进行图像识别，得到增量图像的识别结果。可以根据增量图像的识别结果、时间信息和地点信息，确定各行人的轨迹。可以将与各行人的轨迹对应的增量图像确定为图像组。根据行人的轨迹确定的图像组，可以提高图像组的获取效率，解决人工获取行增量图像的图像组时效率低的问题。

图4示出根据本公开实施例的重识别模型增量训练装置的框图，如图4所示，所述重识别模型增量训练装置包括：

处理结果获取模块10，用于将待识别图像输入学生模型进行处理得到第一处理结果，将所述待识别图像输入教师模型进行处理得到第二处理结果，所述待识别图像包括历史图像和增量图像，所述教师模型根据所述历史图像训练得到；

模拟损失确定模块20，用于根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失；

处理结果损失确定模块30，用于根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失；

反向传播模块40，用于向所述学生模型反向传播所述第一处理结果的损失的梯度，以调整所述学生模型的参数。

图5示出根据本公开实施例的重识别模型增量训练装置的框图，如图5所示，在一种可能的实现方式中，所述模拟损失确定模块20，包括：

第一模拟损失确定子模块21，用于根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimic loss函数，确定模拟损失。

在一种可能的实现方式中，所述处理结果损失确定模块30，包括：

处理损失确定子模块31，用于根据所述第一处理结果和所述待识别图像的实际标识，确定所述第一处理结果的处理损失；

权值损失确定子模块32，用于根据所述第一处理结果的处理损失和所述待识别图像对应的权值，确定所述第一处理结果的权值损失，其中，所述历史图像对应第一权值，所述增量图像对应第二权值，所述第一权值大于所述第二权值；

第一处理结果损失确定子模块33，用于根据所述模拟损失和所述权值损失，确定所述第一处理结果的损失。

在一种可能的实现方式中，所述装置还包括：

图像组划分模块100，用于将所述增量图像划分为图像组，每一图像组包括同一目标对象的图像；

聚类分析模块200，用于根据各图像组的特征之间的相似度，对各所述图像组进行聚类分析，得到聚类分析结果；

标识模块300，用于根据所述聚类分析结果确定所述增量图像的实际标识。

在一种可能的实现方式中，所述目标对象为行人，所述图像组划分模块100用于：

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种重识别模型增量训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述学生模型中分类层的输出结果和所述教师模型中分类层的输出结果，确定模拟损失，包括：

根据所述学生模型中分类层的输出结果、所述教师模型中分类层的输出结果和mimicloss函数，确定模拟损失。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一处理结果、所述待识别图像的实际标识和所述模拟损失，确定所述第一处理结果的损失，包括：

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：

根据所述聚类分析结果确定所述增量图像的实际标识。

5.一种重识别模型增量训练装置，其特征在于，所述装置包括：

6.根据权利要求5所述的装置，其特征在于，所述模拟损失确定模块，包括：

7.根据权利要求5或6所述的装置，其特征在于，所述处理结果损失确定模块，包括：

8.根据权利要求5至7中任一项所述的装置，其特征在于，所述装置还包括：

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至4中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。