CN110674756A - 人体属性识别模型训练方法、人体属性识别方法及装置 - Google Patents

人体属性识别模型训练方法、人体属性识别方法及装置 Download PDF

Info

Publication number
CN110674756A
CN110674756A CN201910911642.XA CN201910911642A CN110674756A CN 110674756 A CN110674756 A CN 110674756A CN 201910911642 A CN201910911642 A CN 201910911642A CN 110674756 A CN110674756 A CN 110674756A
Authority
CN
China
Prior art keywords
attribute
human body
model
data set
recognition model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910911642.XA
Other languages
English (en)
Other versions
CN110674756B (zh
Inventor
杨森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TP Link Technologies Co Ltd
Original Assignee
TP Link Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TP Link Technologies Co Ltd filed Critical TP Link Technologies Co Ltd
Priority to CN201910911642.XA priority Critical patent/CN110674756B/zh
Publication of CN110674756A publication Critical patent/CN110674756A/zh
Application granted granted Critical
Publication of CN110674756B publication Critical patent/CN110674756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例适用于人工智能技术领域，公开了一种人体属性识别模型训练方法、人体属性识别方法、装置、终端设备及计算机存储介质，其中，训练方法具体包括：根据多数据集属性标注与目标属性之间的映射关系进行多属性数据集融合；针对多数据集融合后属性标注比例不均衡问题，提出新的属性加权损失函数进行训练；而针对嵌入式端应用，改进了原始DeepMar的网络结构，减少了模型的参数量，提升了运行效率，并进一步提升了属性分类准确度。本申请实施例通过多数据集融合，得到了更为丰富的属性输出，避免了采用单数据集训练时对缺失属性的人工标注成本；另外，在保证分类精度的情况下，模型具有较高的运行效率，适用于嵌入式端的部署应用。

Description

人体属性识别模型训练方法、人体属性识别方法及装置
技术领域
本申请属于人工智能技术领域，尤其涉及一种人体属性识别模型训练方法、人体属性识别方法、装置、终端设备及计算机存储介质。
背景技术
人体属性识别是指基于人体图像，检测出人体后再判断人体具备哪种属性的过程。人体属性大多为与个体相关的语义特征，比较常见的人体属性包括性别、年龄、服饰的颜色款式及是否有背包、帽子等附属物品。
近年来，随着卷积神经网络的不断发展，以及卷积神经网络在图像特征提取方面的强大优势，涌现出一批基于卷积神经网络的人体属性识别方法，例如，ACN算法和DeepMar算法。目前，学术界提出的算法，大多聚焦于算法精度的提升上，模型往往趋于庞大或网络过于复杂。
目前，人体属性识别模型的训练一般是基于单个公开数据集进行训练的。但是，各个数据集在标注时没有统一的标准，导致各个数据集标注的属性不统一。具体表现在单个数据集往往会缺少需要关注的某个关键属性。例如，PA-100K数据集中缺少上下衣颜色属性标注，Market-1501数据集中缺少鞋子颜色、眼镜等标注。对于数据集缺失的属性，一般是直接进行人工标注，人工对属性标注会耗费比较大的人力成本。
发明内容
本申请实施例提供一种人体属性识别模型训练方法、人体属性识别方法、装置、终端设备及计算机存储介质，以解决人体属性识别模型训练过程中需要对缺少标注的属性进行人工标注从而导致人体属性识别的成本较高的问题。
第一方面，本申请实施例提供一种人体属性识别模型训练方法，包括：
获取属性数据集，所述属性数据集为根据目标属性进行多个数据集的属性标注融合后得到的属性数据集，所述属性数据集包括人体样本图像及属性标注信息；
根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型；
其中，多个数据集的属性标注融合过程具体包括：
根据各个数据集标注的属性与所述目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；
根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注。
通过多个数据集中缺少标注的目标属性信息，根据目标属性信息自动进行重标注，且联合多个数据集进行模型训练，有效利用多个数据集的标注信息，降低了标注过程中的的人力成本，从而降低了人体属性识别的成本。
结合第一方面，在一种可能的实现方式中，所述人体属性识别模型为包括特征提取层、全连接层和激活函数层的卷积神经网络；
所述根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型，包括：
通过所述特征提取层对输入的人体样本图像进行特征提取，得到人体属性特征信息；
根据所述人体属性特征信息，通过所述全连接层和所述激活函数层计算每个人体属性的置信度；
根据所述属性加权损失函数和所述置信度，计算加权损失值；
将所述加权损失值反向传播至所述人体属性识别模型的各个层，以进行权值迭代更新，直至达到迭代次数。
通过在改进的损失函数中增加了各个属性的未标注比例的指数，可以对每个属性作进一步加权，使得标注比例高的属性在训练时所加权重较低，标注比例低的属性在训练时所加权重较高，从而消除数据集融合中属性标注不均衡对模型训练造成的负面影响。
结合第一方面，在一种可能的实现方式中，所述特征提取层包括轻量级深度神经网络模型；
所述轻量级深度神经网络模型的卷积主干网络包括深度卷积层、逐点卷积层、至少一层普通卷积层和全局池化层。
结合第一方面，在一种可能的实现方式中，所述人体属性识别模型为DeepMar模型，所述轻量级深度神经网络模型为MobileNetV1。
通过将人体属性识别模型中传统的卷积神经网络替换为轻量级深度神经网络，可以减少人体属性识别模型的参数量，同时提升运行效率，更适用于嵌入式设备。
第二方面，本申请实施例提供一种人体属性识别方法，包括：
获取待识别人体图像；
将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；
根据所述输出结果得出识别结果；
其中，所述预训练的人体属性识别模型为使用如上述第一方面任一项所述的人体属性识别模型训练方法训练得到的模型。
结合第二方面，在一种可能的实现方式中，所述人体属性识别模型为包括轻量级深度神经网络模型、全连接层和激活函数层的卷积神经网络；
所述将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果，包括：
通过所述轻量级深度神经网络模型的卷积主干网络对所述待识别人体图像进行特征提取，得到人体属性特征信息；
通过所述全连接层和所述激活函数层计算每个人体属性的置信度。
第三方面，本申请实施例提供一种人体属性识别模型训练装置，包括：
多数据集融合模块，用于根据各个数据集标注的属性与所述目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注，得到属性数据集；
训练模块，用于根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型。
第四方面，本申请实施例提供一种人体属性识别装置，包括：
图像获取模块，用于获取待识别人体图像；
计算模块，用于将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；
识别模块，用于根据所述输出结果得出识别结果；
其中，所述预训练的人体属性识别模型为使用上述第一方面任一项所述的人体属性识别模型训练方法训练得到的模型。
第五方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面或第二方面任一项所述的方法。
第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或第二方面任一项所述的方法。
第七方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面或第二方面中任一项所述的方法。
可以理解的是，上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种人体属性识别模型训练方法的流程示意框图；
图2为本申请实施例提供的模型训练过程流程示意框图；
图3为本申请实施例提供的改进后的DeepMar模型的网络结构示意图；
图4为本申请实施例提供的一种人体属性识别方法的流程示意框图；
图5为本申请实施例提供的模型识别过程的流程示意框图；
图6为本申请实施例提供的一种人体属性识别模型训练装置的结构示意框图；
图7为本申请实施例提供的一种人体属性识别装置的结构示意框图；
图8为本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
实施例一
请参见图1，为本申请实施例提供的一种人体属性识别模型训练方法的流程示意框图，该方法可以包括以下步骤：
步骤101、获取属性数据集，该属性数据集为根据目标属性进行多个数据集的属性标注融合后得到的属性数据集，该属性数据集包括人体样本图像及属性标注信息。
其中，多个数据集的属性标注融合过程具体包括：
根据各个数据集标注的属性与目标属性的对应关系，得到各个数据集标注到目标属性的映射信息；根据映射信息，将各个数据集的属性标注映射到目标属性，并采用预设数值补充缺失的属性标注并采用预设数值补充缺失的属性标注。
具体地，根据选取的目标属性，进行多个数据集的属性标注融合，得到融合后的属性数据集，该属性数据集包括人体样本图像及属性标注信息。
需要说明的是，待融合的数据集可以是目前公开人体属性数据集的任意组合，例如可以包括PETA、PA-100K、Market-1501、DukeMTMC、BAP等数据集。这些公开的样本数据集由若干人体样本图像和属性标注组成，每张人体图像的标注可能包括一个或多个人体属性，例如，性别、年龄、上衣颜色及下衣颜色等。由于数据集标注标准不统一，每个数据集都可能会缺少现实中需要关注的某个人体属性的标注。例如，PA-100K数据集中缺少上下衣颜色属性的标注，Market-1501数据集中缺少鞋子颜色、眼镜等标注，DukeMTMC数据集中缺少鞋子颜色、发型等标注，PETA数据集中缺少眼镜、视角等标注。
选取出用于融合的数据集之后，统计得到各数据集的属性标注相对于目标属性的映射关系，然后再根据属性映射关系，进行各数据集属性标注的重新映射，得到以目标属性为标注标准的融合数据集。
需要说明的是，上述目标属性可以是从一系列人体属性中筛选出作为最终的模型输出属性，筛选的标准可以是当前各个算法在各个人体属性所能达到的分类精度，以及在监控应用中的各个人体属性表征个体的重要性。
例如，目标属性可以包括下表1中示出的人体属性。
表1
Figure BDA0002214870690000071
在确定了目标属性之后，统计各个数据集标注的属性与目标属性的映射关系，具体过程如下，例如数据集A的某个属性，在其原来的属性标注中为第i位，对应在目标属性中为第j位，则维护一个数据集A标注的属性到目标属性的映射列表TA，在TA的第i个元素记录数值j，代表数据集A的第i个属性对应于目标属性第j个属性。特别的，对于数据集A中存在而不在目标属性的属性，在映射列表中可以用一个特殊的标志位(如-1)填充。以此类推，得到所有数据集相对于目标属性的属性映射列表。一般来说，现有各个数据集标注的属性最多只有数十个，属性列表的统计既可以人为进行统计，也可以与目标属性统一属性名称之后自动获取，这里不再详述。
之后，遍历每一个数据集每个样本的标注信息，根据属性映射列表，对各个样本的属性标注进行重新映射，得到数据集融合之后的属性标注。对于样本标注中的第i个属性，根据对应属性映射列表中第i个元素的值j，若j的值不为-1，则将属性标注自动填入新标注的第j位。以此类推，直至所有样本标注均完成重新映射。
需要说明的是，对于各个样本相对于目标属性缺失的属性，以预设数值进行标注填充，一般的，上述预设数值为-1，正样本的标注为1，负样本的标注为0。例如，某个数据集中的某个样本图像中，缺少标注的目标属性为鞋子颜色，则在相应位置使用-1标注该样本图像中的鞋子颜色属性。
为了更好地介绍数据集标注和整理融合的过程，下面将以PETA、PA-100K、Market-1501、DukeMTMC四个数据集为例进行介绍说明。
选取PETA、PA-100K、Market-1501、DukeMTMC作为样本数据集，在表1目标属性的基础上，人为统计每个数据集标注的属性与表1中目标属性的映射关系，得到属性映射列表，然后根据属性映射列表进行标注的重新映射，进行多数据集标注融合，相对于表1的目标属性，各数据集属性的处理大致如下：
其中，服装/鞋子颜色：PETA数据集颜色标注较全，直接进行映射处理，对于其余3个数据集，缺失的颜色属性用-1标注补全。
性别：为各个数据集交集，直接进行映射处理。
头发长度：长发、短发在属性映射时统一合并为“头发长度”二值属性；DukeMTMC缺失该属性，用-1标注补全。
眼镜：Duke、Market1501、PETA缺失，用-1标注补全。
双肩包：为各个数据集交集，直接进行映射处理。
视角信息：Market-1501、DukeMTMC、PETA缺失该属性，用-1标注补全。
上衣款式：长袖、短袖在属性映射时统一合并为“袖长”二值属性；休闲装、西服、夹克、T恤属性，DukeMTMC、Market1501、PK-100K缺失该属性用-1标注补全。
上衣图案：Duke、Market1501缺失，用-1标注补全。
下衣款式：Market1501、PK-100K缺少西裤、牛仔裤、休闲裤属性标注，用-1标注补全；DukeMTMC缺失所有的裤子属性标注，用-1标注补全。
另外，由于Market1501和DukeMTMC单个个体会都会存在10张左右的图片，为了避免在这些个体上过度拟合，在整合数据集时分别对Market1501和DukeMTMC进行采样，保证每个个体只对应一张样本图像。整合之后的数据集共有115626张样本图像，训练时按照训练和验证9：1左右的比例进行训练集和验证集进行划分。
由以上过程可以看出，相较于人为对缺少标注的属性进行重新标注，本实施例中根据各数据集标注的属性与目标属性间的映射关系，直接进行多数据集属性标注的融合，得到融合后的数据集，利用数据集间标注的互补性，使得融合后的数据集能够具有目标属性要求的所有属性标注，节省了人工标注的成本。另外，联合多个数据集进行训练，可以进一步扩充数据样本，提高模型的泛化能力。
在获取到训练样本数据集之后，可以基于该训练样本数据集对预先构建的人体属性识别模型进行训练。
步骤102、根据属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型。
需要说明的是，上述人体属性识别模型具体是卷积神经网络模型，该卷积神经网络模型可以是目前普遍的人体属性识别模型，例如，DeepMar模型；也可以是改进之后的人体属性识别模型，例如，改进后的DeepMar模型。本申请实施例对人体属性识别模型的具体表现形式不作限定。
预先设定相关的训练参数，然后根据训练参数和训练样本数据集(即上述属性数据集)，对人体属性识别模型进行训练。例如，训练参数可以设置为：损失函数中的超参数为2，采用Adam优化方法，初始学习率设置为1e-4，L2权重衰减系数设为0.0005，对样本进行随机镜像的数据增广，训练轮数为55000轮。
具体地，将一组训练样本输入至人体属性识别模型，人体属性识别模型先提取出训练样本的特征信息，根据特征信息计算每个人体属性的置信度；再根据损失函数和每个人体属性的置信度，计算损失值；然后通过反向传播算法将损失值回传至人体属性识别模型的各个层进行权值迭代更新，直到达到迭代次数为止。
其中，上述训练过程中使用的属性加权损失函数可以是原有人体属性识别模型中的损失函数，例如，原有DeepMar模型中的损失函数；也可以是改进后的损失函数，例如，为了解决多数据集融合后各个属性标注比例分布不均衡的所造成的问题，对原有DeepMar模型中的损失函数增加属性加权。
可见，通过获取多个数据集中缺少标注的目标属性信息，根据目标属性信息自动进行重标注，且联合多个数据集进行模型训练，有效利用多个数据集的标注信息，降低了标注过程中的的人力成本，降低了人体属性识别的成本。
实施例二
在多个样本数据集融合过程中，使用预设数值对缺少标注的目标属性进行标注补全，这样会使得融合得到的训练样本数据中各个人体属性的标注比例分布不均。例如，当预设数值为-1时，各个属性标注为-1的比例和标注为非-1的比例不均衡。又例如，对于性别属性，各个样本数据集均有标注，不存在未标注的情况，标注比例为1；而对于头发长度属性，标注比例为0.16。其中，未标注是指标注为-1的情况，已标注是指标注为非-1的情况。
各个属性的标注比例不均衡会导致模型训练过程中，倾向于训练标注比例高的属性，而忽略标注比例低的属性，进而导致训练的模型识别准确率较低。
为了解决多数据集融合导致属性标注比例不均衡导致的问题，可以对损失函数作进一步改进。
基于上述实施例一，参见图2示出的模型训练过程流程示意框图，上述人体属性识别模型为包括特征提取层、全连接层和激活函数层的卷积神经网络；上述根据属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型的具体过程可以包括：
步骤201、通过特征提取层对输入的人体样本图像进行特征提取，得到人体属性特征信息。
其中，上述特征提取层可以包括卷积层和池化层。人体样本图像输入至人体属性识别模型后，人体属性识别模型中的卷积层会提取人体样本图像中的人体属性特征，输出相应维度的特征矩阵，再通过池化层得到相应维度的特征向量。
步骤202、根据人体属性特征信息，通过全连接层和激活函数层计算每个人体属性的置信度。
具体地，经过模型的卷积层和池化层得到人体样本图像的特征向量之后，再通过模型的全连接层和激活函数层，根据特征向量进行前向推理以计算出各个人体属性存在的置信度。该置信度具体为一个概率值，可以表征属性存在的概率大小。
步骤203、根据属性加权损失函数和置信度，计算加权损失值；
其中，属性加权损失函数为
Figure BDA0002214870690000121
Figure BDA0002214870690000122
n为人体属性的数目，li为人体属性i的标注，1-w1(i)为人体属性i中标注为预设数值的样本数占总样本数的比例，α为超参数，w2(i)为人体属性i的正样本比例，pi为人体属性i的置信度。
需要说明的是，1-w1(i)是指人体属性i中标注为预设数值的样本数，即人体属性i未标注的样本数占总样本数的比例。
上述属性加权损失函数是基于DeepMar模型原有的损失函数作进一步改进得到的，基于DeepMar模型原有的损失函数，根据多数据集融合得到的训练样本数据集中各个属性的标注比例，对各个人体属性作进一步加权。具体通过增加每个属性未标注比例的指数形式作进一步加权，从而使得标注比例高的属性在训练时所加权重较高，标注比例低的属性在训练时所加权重较低。
步骤204、将加权损失值反向传播至人体属性识别模型的各个层，以进行权值迭代更新，直至达到迭代次数。
具体地，计算出加权损失值之后，可以通过反向传播算法将计算的加权损失至回传至模型的各个层，进行权值迭代更新。依次循环，直到达到迭代次数为止，模型训练完成。
通过改进后的损失函数进行多数据集联合训练，可以提高模型的精度。为了验证损失函数改进后的效果，采用相同的训练策略对相应的模型进行训练，得出如下表2的损失函数改进精度对比表。
表2损失函数改进精度对比表
Figure BDA0002214870690000131
由上表2可见，相比DeepMar原版的损失函数，本申请实施例提出的改进版本损失函数的训练结果在5个精度指标上都得到了提升。其中，mA上提升近3％，Accuracy、Precision、Recall和F1指数均提升了近2％。
可见，通过在改进的损失函数中增加了各个属性的未标注比例的指数，可以对每个属性作进一步加权，使得标注比例高的属性在训练时所加权重较低，标注比例低的属性在训练时所加权重较高，从而消除数据集融合中属性标注不均衡对模型训练造成的负面影响。
上文介绍的模型训练方法可以对任意的人体属性识别模型进行训练。进一步地，该人体属性识别模型为改进之后的模型。
可选地，上述特征提取层可以包括轻量级深度神经网络模型；轻量级深度神经网络模型的卷积主干网络包括深度卷积层、逐点卷积层、至少一层普通卷积层和全局池化层。更进一步地，上述人体属性识别模型为DeepMar模型，轻量级深度神经网络模型为MobileNetV1。
需要说明的是，上述轻量级深度神经网络模型可以是任意的，例如，MobileNetV2、MobileNetV3。下面将以MobileNetV1为例进行介绍说明。上述人体属性识别模型可以是任意的，下面将以DeepMar模型为例进行介绍说明。
参见图3示出的改进后的DeepMar模型的网络结构示意图，如图3所示，改进后的DeepMar模型包括MobileNetV1、全连接层FC和激活函数层sigmoid，MobileNetV1的主干网络包括普通卷积层Conv、深度卷积和逐点卷积的卷积组合和全局池化层。
其中，原DeepMar模型的AlexNet卷积神经网络结构替换为MobileNetV1的结构。相较于原DeepMar模型采用的AlexNet网络，MobileNetV1将普通的3*3卷积分解为深度卷积(deepwise)以及一个1x1的逐点卷积(pointwise)组合，深度卷积针对每个单个输入通道应用单个3*3卷积滤波器进行滤波，然后逐点卷积应用1*1的卷积操作来结合所有深度卷积得到的输出，相较于标准卷积而言减少了8到9倍的计算量，只有极小的准确率的下降。相较于Alexnet的5层卷积池化组合，MobileNetV1具有更深的网络结构，共计14个3*3卷积层，更利于提取深层次特征。另外，Alexnet在卷积层之后将特征展开，并连接3层全连接层，使得整个全连接层具有很大的参数量，而MobileNetV1在卷积层之后进行全局池化，后面仅连接单个全连接层，极大的减少了模型的参数量。总体而言，MobileNetV1具有更少的参数量及计算量，更适用于嵌入式端的应用部署，同时具有更好的特征提取能力。
如图3所示，向DeepMar模型输入分辨率为224*224的3通道的人形图像，通过MobilenetV1的卷积主干网络进行特征提取，输出7*7*1024的特征矩阵，再经过全局池化层得到1024维的特征向量，最后经过全连接层并采用sigmoid激活函数，得到每个人体属性存在的置信度。
为了验证改进后的DeepMar模型的精度结果，采用相同的训练策略，基于融合后的训练样本数据集对原DeepMar模型和改进后DeepMar模型进行训练，得出如下表3示出的网络结构改进精度对比表。
表3网络结构改进精度对比表
Figure BDA0002214870690000141
由上表3可知，相比采用AlexNet的原DeepMar模型，本申请实施例提供的改进DeepMar模型在5个精度指标上都得到了提升。其中，mA上提升近1％，Accuracy、Precision、Recall和F1指标均提升了近3％。可见，采用改进DeepMar比原DeepMar对于人体属性具有更好的分类能力。
另外，改进后的DeepMar模型相较于原DeepMar模型，具有更少的模型参数数量，计算量也大幅较少。具体请参见下表4示出的模型参数量和计算量对比表。
表4模型参数量和计算量对比表
网络 参数量/M 乘加计算量/M
原DeepMar 55.48 717.34
改进DeepMar 4.1 568.17
由上表4可知，改进版本在模型参数数量上大幅减少，仅为原始版本的1/13，另外在模型推理计算量上也得到了相应提升，为原始版本计算量的80％。
综上，通过将人体属性识别模型中传统的卷积神经网络替换为轻量级深度神经网络MobileNetV1，使得改进后的人体属性识别模型的分类精度更高，占用资源更少，运行效率更高，更适用于嵌入式端的部署应用，从而使得在嵌入式设备上进行人体属性识别得以实现。
实施例三
人体属性识别模型训练完成后，可以使用训练完成的人体属性识别模型进行人体属性识别。其中，人体属性识别方法可以具体应用于任意场景，在此不作限定，例如，监控领域的行人属性识别。
参见图4，为本申请实施例提供的一种人体属性识别方法的流程示意框图，该方法可以包括以下步骤：
步骤401、获取待识别人体图像。
步骤402、将待识别人体图像输入至预训练的人体属性识别模型，得出输出结果。其中，预训练的人体属性识别模型为使用如上述任一个实施例的人体属性识别模型训练方法训练得到的模型。
需要说明的是，本实施例中的人体属性识别模型可以是任意识别模型，例如，该人体属性识别模型为原DeepMar模型，也可以为上文提及的改进后DeepMar模型中。该人体属性识别模型的训练过程具体请参见上文各个实施例中示出的模型训练过程，在此不再赘述。
其中，上述输出结果具体表现为每个人体属性的置信度。
在一些实施例中，上述人体属性识别模型为包括轻量级深度神经网络模型、全连接层和激活函数层的卷积神经网络；参见图5示出的模型识别过程的流程示意框图，上述将待识别人体图像输入至预训练的人体属性识别模型，得出输出结果的具体过程可以包括：
步骤501、通过轻量级深度神经网络模型的卷积主干网络对待识别人体图像进行特征提取，得到人体属性特征信息。
步骤502、根据人体属性特征信息，通过全连接层和激活函数层计算每个人体属性的置信度。
其中，上述轻量级深度神经网络模型可以为但不限于MobileNetV1。
具体地，通过卷积主干网络提取出待识别人体图像的特征矩阵后，再经过全局池化层得到相应的特征向量；根据特征向量，通过全连接层和激活函数层，计算出每个人体属性存在的置信度。
步骤403、根据输出结果得出识别结果。
具体地，根据人体属性识别模型输出的置信度进行属性预测，得出待识别图像的人体属性识别结果。即比较置信度和预设阈值的大小，当某个人体属性的置信度大于预设阈值时，则认为待识别人体图像中存在该人体属性，反之，当某个人体属性的置信度小于预设阈值时，则认为待识别人体图像中不存在该人体属性，或者该人体属性的相反属性存在。其中，上述预设阈值可以为但不限于0.5。
可以看出，联合多个数据集进行人体属性识别模型训练，可以降低人体属性识别的成本；另外，在训练过程中，当基于改进后的损失函数进行训练时，可以使得训练精度更高，从而提高了人体属性识别的精度；当人体属性识别模型为改进后的模型时，更适用于嵌入式设备的应用部署。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例四
请参见图6，为本申请实施例提供的一种人体属性识别模型训练装置的结构示意框图，该装置可以包括：
多数据集融合模块61，用于根据各个数据集标注的属性与目标属性的对应关系，得到各个数据集标注到目标属性的映射信息；根据映射信息，将各个数据集的属性标注映射到目标属性，并采用预设数值补充缺失的属性标注，得到属性数据集。
训练模块62，用于根据属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型。
在一种可能的实现方式中，上述人体属性识别模型为包括特征提取层、全连接层和激活函数层的卷积神经网络；
上述训练模块具体用于：通过特征提取层对输入的人体样本图像进行特征提取，得到人体属性特征信息；根据人体属性特征信息，通过全连接层和激活函数层计算每个人体属性的置信度；根据属性加权损失函数和置信度，计算加权损失值；将加权损失值反向传播至人体属性识别模型的各个层，以进行权值迭代更新，直至达到迭代次数；
其中，属性加权损失函数为
Figure BDA0002214870690000171
Figure BDA0002214870690000172
n为人体属性的数目，li为人体属性i的标注，1-w1(i)为人体属性i中标注为预设数值的样本数占总样本数的比例，α为超参数，w2(i)为人体属性i的正样本比例，pi为人体属性i的置信度。
在一种可能的实现方式中，上述特征提取层包括轻量级深度神经网络模型；该轻量级深度神经网络模型的卷积主干网络包括深度卷积层、逐点卷积层、至少一层普通卷积层和全局池化层。
进一步地，在一种可能的实现方式中，上述人体属性识别模型为DeepMar模型，轻量级深度神经网络模型为MobileNetV1。
需要说明的是，本实施例的人体属性识别模型训练装置与上述各个实施例中的人体属性识别模型训练方法一一对应，相关介绍请参见上文相应内容，在此不再赘述。
实施例五
请参见图7，为本申请实施例提供的一种人体属性识别装置的结构示意框图，该装置可以包括：
图像获取模块71，用于获取待识别人体图像；
计算模块72，用于将待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；其中，预训练的人体属性识别模型为使用上述实施例中任一项的人体属性识别模型训练方法训练得到的模型。
识别模块73，用于根据输出结果得出识别结果；
在一种可能的实现方式中，上述人体属性识别模型为包括轻量级深度神经网络模型、全连接层和激活函数层的卷积神经网络；
上述计算模块具体用于：通过轻量级深度神经网络模型的卷积主干网络对待识别人体图像进行特征提取，得到人体属性特征信息；根据人体属性特征信息，通过全连接层和激活函数层计算每个人体属性的置信度。
需要说明的是，本实施例的人体属性识别装置与上述各个实施例中的人体属性识别方法一一对应，相关介绍请参见上文相应内容，在此不再赘述。
实施例六
图8为本申请一实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个人体属性识别模型训练方法或者人体属性识别方法实施例中的步骤。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个人体属性识别模型训练方法或者人体属性识别方法实施例中的步骤。
本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个人体属性识别模型训练方法或者人体属性识别方法实施例中的步骤。
需要说明的是，上述装置、单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置、终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人体属性识别模型训练方法，其特征在于，包括：
获取属性数据集，所述属性数据集为根据目标属性进行多个数据集的属性标注融合后得到的属性数据集，所述属性数据集包括人体样本图像及属性标注信息；
根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型；
其中，多个数据集的属性标注融合过程具体包括：
根据各个数据集标注的属性与所述目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；
根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注。
2.如权利要求1所述的人体属性识别模型训练方法，其特征在于，所述人体属性识别模型为包括特征提取层、全连接层和激活函数层的卷积神经网络；
所述根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型，包括：
通过所述特征提取层对输入的人体样本图像进行特征提取，得到人体属性特征信息；
根据所述人体属性特征信息，通过所述全连接层和所述激活函数层计算每个人体属性的置信度；
根据所述属性加权损失函数和所述置信度，计算加权损失值；
将所述加权损失值反向传播至所述人体属性识别模型的各个层，以进行权值迭代更新，直至达到迭代次数。
3.如权利要求2所述的人体属性识别模型训练方法，其特征在于，所述特征提取层包括轻量级深度神经网络模型；
所述轻量级深度神经网络模型的卷积主干网络包括深度卷积层、逐点卷积层、至少一层普通卷积层和全局池化层。
4.如权利要求3所述的人体属性识别模型训练方法，其特征在于，所述人体属性识别模型为DeepMar模型，所述轻量级深度神经网络模型为MobileNetV1。
5.一种人体属性识别方法，其特征在于，包括：
获取待识别人体图像；
将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；
根据所述输出结果得出识别结果；
其中，所述预训练的人体属性识别模型为使用如权利要求1至4任一项所述的人体属性识别模型训练方法训练得到的模型。
6.如权利要求5所述的人体属性识别方法，其特征在于，所述人体属性识别模型为包括轻量级深度神经网络模型、全连接层和激活函数层的卷积神经网络；
所述将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果，包括：
通过所述轻量级深度神经网络模型的卷积主干网络对所述待识别人体图像进行特征提取，得到人体属性特征信息；
通过所述全连接层和所述激活函数层计算每个人体属性的置信度。
7.一种人体属性识别模型训练装置，其特征在于，包括：
多数据集融合模块，用于根据各个数据集标注的属性与目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注，得到属性数据集；
训练模块，用于根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型。
8.一种人体属性识别装置，其特征在于，包括：
图像获取模块，用于获取待识别人体图像；
计算模块，用于将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；
识别模块，用于根据所述输出结果得出识别结果；
其中，所述预训练的人体属性识别模型为使用如权利要求1至4任一项所述的人体属性识别模型训练方法训练得到的模型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4或5至6任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4或5至6任一项所述的方法。
CN201910911642.XA 2019-09-25 2019-09-25 人体属性识别模型训练方法、人体属性识别方法及装置 Active CN110674756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910911642.XA CN110674756B (zh) 2019-09-25 2019-09-25 人体属性识别模型训练方法、人体属性识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910911642.XA CN110674756B (zh) 2019-09-25 2019-09-25 人体属性识别模型训练方法、人体属性识别方法及装置

Publications (2)

Publication Number Publication Date
CN110674756A true CN110674756A (zh) 2020-01-10
CN110674756B CN110674756B (zh) 2022-07-05

Family

ID=69078957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910911642.XA Active CN110674756B (zh) 2019-09-25 2019-09-25 人体属性识别模型训练方法、人体属性识别方法及装置

Country Status (1)

Country Link
CN (1) CN110674756B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612821A (zh) * 2020-05-20 2020-09-01 北京海月水母科技有限公司 一种三维空间中基于多帧滤波分析的人形轨迹技术
CN111723856A (zh) * 2020-06-11 2020-09-29 广东浪潮大数据研究有限公司 一种图像数据处理方法、装置、设备及可读存储介质
CN111814846A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 属性识别模型的训练方法、识别方法及相关设备
CN111898462A (zh) * 2020-07-08 2020-11-06 浙江大华技术股份有限公司 对象属性的处理方法、装置、存储介质以及电子装置
CN112232368A (zh) * 2020-09-10 2021-01-15 浙江大华技术股份有限公司 目标识别模型训练方法、目标识别方法及其相关装置
CN112287966A (zh) * 2020-09-21 2021-01-29 深圳市爱深盈通信息技术有限公司 一种人脸识别方法、装置及电子设备
CN112668493A (zh) * 2020-12-30 2021-04-16 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统
CN113159144A (zh) * 2021-04-06 2021-07-23 新疆爱华盈通信息技术有限公司 行人属性分类方法、装置、电子设备及存储介质
CN113392757A (zh) * 2021-06-11 2021-09-14 恒睿(重庆)人工智能技术研究院有限公司 使用不均衡数据训练人体检测模型的方法及装置、介质
CN113537101A (zh) * 2021-07-22 2021-10-22 中科曙光国际信息产业有限公司 人体属性的识别方法、装置、计算机设备及存储介质
CN114170484A (zh) * 2022-02-11 2022-03-11 中科视语(北京)科技有限公司 图片属性预测方法、装置、电子设备和存储介质
CN115294611A (zh) * 2022-09-29 2022-11-04 深圳爱莫科技有限公司 人体属性识别模型训练方法、识别方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563279A (zh) * 2017-07-22 2018-01-09 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
CN107633223A (zh) * 2017-09-15 2018-01-26 深圳市唯特视科技有限公司 一种基于深层对抗网络的视频人体属性识别方法
CN108921022A (zh) * 2018-05-30 2018-11-30 腾讯科技（深圳）有限公司 一种人体属性识别方法、装置、设备及介质
CN109522790A (zh) * 2018-10-08 2019-03-26 百度在线网络技术（北京）有限公司 人体属性识别方法、装置、存储介质及电子设备
CN109886154A (zh) * 2019-01-30 2019-06-14 电子科技大学 基于Inception V3的多数据集联合训练的行人外观属性识别方法
CN110175595A (zh) * 2019-05-31 2019-08-27 北京金山云网络技术有限公司 人体属性识别方法、识别模型训练方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563279A (zh) * 2017-07-22 2018-01-09 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
CN107633223A (zh) * 2017-09-15 2018-01-26 深圳市唯特视科技有限公司 一种基于深层对抗网络的视频人体属性识别方法
CN108921022A (zh) * 2018-05-30 2018-11-30 腾讯科技（深圳）有限公司 一种人体属性识别方法、装置、设备及介质
CN109522790A (zh) * 2018-10-08 2019-03-26 百度在线网络技术（北京）有限公司 人体属性识别方法、装置、存储介质及电子设备
CN109886154A (zh) * 2019-01-30 2019-06-14 电子科技大学 基于Inception V3的多数据集联合训练的行人外观属性识别方法
CN110175595A (zh) * 2019-05-31 2019-08-27 北京金山云网络技术有限公司 人体属性识别方法、识别模型训练方法及装置

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612821A (zh) * 2020-05-20 2020-09-01 北京海月水母科技有限公司 一种三维空间中基于多帧滤波分析的人形轨迹技术
CN111723856A (zh) * 2020-06-11 2020-09-29 广东浪潮大数据研究有限公司 一种图像数据处理方法、装置、设备及可读存储介质
CN111723856B (zh) * 2020-06-11 2023-06-09 广东浪潮大数据研究有限公司 一种图像数据处理方法、装置、设备及可读存储介质
CN111814846A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 属性识别模型的训练方法、识别方法及相关设备
CN111898462B (zh) * 2020-07-08 2023-04-07 浙江大华技术股份有限公司 对象属性的处理方法、装置、存储介质以及电子装置
CN111898462A (zh) * 2020-07-08 2020-11-06 浙江大华技术股份有限公司 对象属性的处理方法、装置、存储介质以及电子装置
CN112232368A (zh) * 2020-09-10 2021-01-15 浙江大华技术股份有限公司 目标识别模型训练方法、目标识别方法及其相关装置
CN112232368B (zh) * 2020-09-10 2023-09-01 浙江大华技术股份有限公司 目标识别模型训练方法、目标识别方法及其相关装置
CN112287966A (zh) * 2020-09-21 2021-01-29 深圳市爱深盈通信息技术有限公司 一种人脸识别方法、装置及电子设备
CN112668493B (zh) * 2020-12-30 2022-11-11 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统
CN112668493A (zh) * 2020-12-30 2021-04-16 上海交通大学 基于gan和深度学习的换装行人再识别定位跟踪系统
CN113159144A (zh) * 2021-04-06 2021-07-23 新疆爱华盈通信息技术有限公司 行人属性分类方法、装置、电子设备及存储介质
CN113159144B (zh) * 2021-04-06 2023-06-16 新疆爱华盈通信息技术有限公司 行人属性分类方法、装置、电子设备及存储介质
CN113392757A (zh) * 2021-06-11 2021-09-14 恒睿(重庆)人工智能技术研究院有限公司 使用不均衡数据训练人体检测模型的方法及装置、介质
CN113392757B (zh) * 2021-06-11 2023-08-15 恒睿(重庆)人工智能技术研究院有限公司 使用不均衡数据训练人体检测模型的方法及装置、介质
CN113537101A (zh) * 2021-07-22 2021-10-22 中科曙光国际信息产业有限公司 人体属性的识别方法、装置、计算机设备及存储介质
CN113537101B (zh) * 2021-07-22 2024-04-30 中科曙光国际信息产业有限公司 人体属性的识别方法、装置、计算机设备及存储介质
CN114170484A (zh) * 2022-02-11 2022-03-11 中科视语(北京)科技有限公司 图片属性预测方法、装置、电子设备和存储介质
CN115294611A (zh) * 2022-09-29 2022-11-04 深圳爱莫科技有限公司 人体属性识别模型训练方法、识别方法、装置及设备
CN115294611B (zh) * 2022-09-29 2023-02-03 深圳爱莫科技有限公司 人体属性识别模型训练方法、识别方法、装置及设备

Also Published As

Publication number Publication date
CN110674756B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN110674756B (zh) 人体属性识别模型训练方法、人体属性识别方法及装置
CN110188227B (zh) 一种基于深度学习与低秩矩阵优化的哈希图像检索方法
CN109033107B (zh) 图像检索方法和装置、计算机设备和存储介质
CN111950638B (zh) 基于模型蒸馏的图像分类方法、装置和电子设备
CN110309856A (zh) 图像分类方法、神经网络的训练方法及装置
CN110503076B (zh) 基于人工智能的视频分类方法、装置、设备和介质
CN109934198B (zh) 人脸识别方法及装置
CN111581414B (zh) 服饰识别、分类及检索的方法、装置、设备及存储介质
EP3300002A1 (en) Method for determining the similarity of digital images
CN111476806B (zh) 图像处理方法、装置、计算机设备和存储介质
CN116580257A (zh) 特征融合模型训练及样本检索方法、装置和计算机设备
CN110647938B (zh) 图像处理方法及相关装置
CN110738102A (zh) 一种人脸识别方法及系统
CN112733602B (zh) 关系引导的行人属性识别方法
CN113435520A (zh) 神经网络的训练方法、装置、设备及计算机可读存储介质
CN111507285A (zh) 人脸属性识别方法、装置、计算机设备和存储介质
CN112330684A (zh) 对象分割方法、装置、计算机设备及存储介质
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
CN113591629B (zh) 一种手指三模态融合识别方法、系统、设备及存储介质
CN114511733A (zh) 基于弱监督学习的细粒度图像识别方法、装置及可读介质
CN111191527B (zh) 属性识别方法、装置、电子设备及可读存储介质
CN111931841A (zh) 基于深度学习的树状处理方法、终端、芯片及存储介质
CN116796038A (zh) 遥感数据检索方法、装置、边缘处理设备及存储介质
CN112508135B (zh) 模型训练方法、行人属性预测方法、装置及设备
CN110598631B (zh) 基于序列上下文关系学习的行人属性识别方法和识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant