CN111626119B - 目标识别模型训练方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了目标识别模型训练方法、装置、设备以及存储介质，涉及人工智能技术领域。该方法的一具体实施方式包括：获取训练样本集，其中，训练样本集中的训练样本包括样本目标图像和样本目标特征；基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。该实施方式提供了一种基于图卷积的目标识别技术，利用图卷积方法对特征空间进行优化，能够更有效地使类间距离增大而类内距离减小，从而显著提升了目标识别模型的性能。

Description

目标识别模型训练方法、装置、设备以及存储介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及人工智能技术领域。

背景技术

目标识别技术是指从图像或视频中识别或者比对出目标的技术。随着人工智能的发展，目标识别是计算机视觉和数字图像处理的一个热门方向，广泛应用于金融、安防、自动驾驶、机器人导航、智能视频监控等诸多领域，极大地方便了人们的生活。

目标识别的当前主流方式是比对目标特征，因此需要学习出判别性强的特征。传统的特征学习方法主要包括以下三种：其一，基于度量学习损失函数的特征学习方法，包括比对损失函数(contrastive loss)、三元组损失函数(triplet loss)等；其二，基于softmax与交叉熵损失函数以及其变种的特征学习方法，包括sphereface、arcface等；其三，前两种方法的混合，首先利用softmax与交叉熵损失函数进行训练，然后利用度量学习损失函数进行微调。

发明内容

本申请实施例提出了目标识别模型训练方法、装置、设备以及存储介质。

第一方面，本申请实施例提出了一种目标识别模型训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括样本目标图像和样本目标特征；基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。

第二方面，本申请实施例提出了一种目标识别模型训练装置，包括：样本获取模块，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本目标图像和样本目标特征；矩阵构建模块，被配置成基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；模型构建模块，被配置成构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；模型训练模块，被配置成利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据如第一方面中任一实现方式描述的方法。

本申请实施例提供的目标识别模型训练方法、装置、设备以及存储介质，首先基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；然后构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；最后利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。提供了一种基于图卷积的目标识别技术，首次将有符号的图卷积神经网络应用到目标特征学习中，有效地融合了度量学习与分类学习，有效避免了传统度量学习中难样本采样的问题，以及传统分类学习与应用场景目标不一致的问题。通过将目标图像提取特征组成图的形式，并利用图卷积方法对特征空间进行优化，能够更有效地使类间距离增大而类内距离减小，从而显著提升了目标识别模型的性能。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的目标识别模型训练方法的一个实施例的流程图；

图3是可以实现本申请实施例的目标识别模型训练方法的场景图；

图4是根据本申请的目标识别模型训练方法的又一个实施例的流程图；

图5是根据本申请的目标识别模型训练装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的目标识别模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的目标识别模型训练方法或目标识别模型训练装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括存储设备101、网络102和服务器103。网络102用以在存储设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

存储设备101可以通过网络102与服务器103交互。存储设备101中可以提供训练样本集，包括但不限于数据库、用户终端等等。

服务器103可以是具有模型计算能力的独立服务器，也可以是具有计算能力的处理模块。例如，服务器103可以是模型服务器。模型服务器可以对从存储设备101获取到的训练样本集等数据进行分析等处理，并生成处理结果(例如目标识别模型)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的目标识别模型训练方法一般由服务器103执行，相应地，目标识别模型训练装置一般设置于服务器103中。

应该理解，图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的存储设备、网络和服务器。在服务器103中存储有训练样本集的情况下，系统架构100可以不设置存储设备101和网络102。

继续参考图2，其示出了根据本申请的目标识别模型训练方法的一个实施例的流程200。该目标识别模型训练方法包括以下步骤：

步骤201，获取训练样本集。

在本实施例中，目标识别模型训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集。其中，训练样本集中可以包括小批量训练样本。训练样本可以包括样本目标图像和样本目标特征。样本目标图像可以是存在目标的图像。样本目标特征可以是样本目标图像中存在的目标的特征。

步骤202，基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵。

在本实施例中，上述执行主体可以基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵(signed affinity matrix)。

通常，利用有符号的图(signed graph)对训练样本集中的至少部分训练样本之间的样本目标特征关系进行建模，能够得到有符号邻接矩阵。其中，有符号邻接矩阵中既包括符号为正的元素又包括符号为负的元素。若相邻的样本目标特征属于同一类别，则在有符号邻接矩阵中对应的元素的符号为正；反之，若相邻的样本目标特征属于不同类别，则在有符号邻接矩阵中对应的元素的符号为负。其中，邻接矩阵中的元素可以是学习的权重。

在本实施例的一些可选的实现方式中，上述执行主体可首先利用邻近算法(kNN，k-NearestNeighbor)对训练样本集建立邻接关系；然后基于邻接关系和训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵。具体地，对于训练样本集中的每个训练样本，利用邻近算法从训练样本集中为该训练样本选取k个近邻的训练样本。该训练样本与这k个近邻的训练样本之间存在邻接关系。若该训练样本与一个近邻的训练样本的样本目标特征属于同一类别，则在有符号邻接矩阵中对应的元素的符号为正；反之，若相邻的样本目标特征属于不同类别，则在有符号邻接矩阵中对应的元素的符号为负。此外，该训练样本与非近邻的训练样本在有符号邻接矩阵中对应的元素为0。

在建立有符号邻接矩阵时，最简单的方案是相同类别的邻接样本目标特征在有符号邻接矩阵中对应的元素的值为+1；不同类别的邻接样本目标特征在有符号邻接矩阵中对应的元素的值为-1。但是该方案未考虑不同训练样本学习的难易程度，比如无论类内特征相邻相对较近还是相对较远，均使用相同的权重去学习。为了强化对类内特征相邻相对较远的训练样本(难样本)的学习，改进方案如下：对于训练样本集中存在邻接关系的两个训练样本，若两个训练样本的样本目标特征属于同一类别，则两个训练样本在有符号邻接矩阵中对应的元素的符号为正，且值为两个训练样本的样本目标特征的余弦值的倒数，即学习的权重为1/cosine相似度；若两个训练样本的样本目标特征属于不同类别，则两个训练样本在有符号邻接矩阵中对应的元素的符号为负，且值为两个训练样本的样本目标特征的余弦值的倒数，即学习的权重为-1/cosine相似度。

步骤203，构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络。

在本实施例中，上述执行主体可以构建深度模型，同时基于有符号邻接矩阵构建图卷积神经网络(Graph Convolutional Network，GCN)。其中，深度模型可以从图像中提取目标的特征。传统图卷积神经网络均是利用仅包括非负元素的无符号邻接矩阵(signedgraph)构建。而本方案改进点在于基于有符号邻接矩阵构建图卷积神经网络。由此，每次迭代都能对特征空间中类内距离拉近，而类间距离拉开，从而实现特征学习。

在本实施例的一些可选的实现方式中，上述执行主体可以首先基于有符号邻接矩阵生成度矩阵；然后基于有符号邻接矩阵和度矩阵更新图卷积神经网络输出的特征图。其中，度矩阵(degree matrix)是对角矩阵。传统的度矩阵每行对角上的元素等于邻接矩阵的每行元素的和。由于有符号邻接矩阵中既包括符号为正的元素又包括符号为负的元素，因此基于有符号邻接矩阵生成的度矩阵最大的问题是可能导致对角上的元素等于0。为了解决这个问题，在构建度矩阵时，计算有符号邻接矩阵的每行元素的绝对值的和作为度矩阵每行对角上的元素。

在本实施例的一些可选的实现方式中，上述执行主体可以首先利用度矩阵对有符号邻接矩阵归一化，生成拉普拉斯矩阵(laplacian matrix)；然后使用拉普拉斯矩阵更新图卷积神经网络输出的特征图。其中，拉普拉斯矩阵可以是度矩阵对有符号邻接矩阵的归一化。例如，拉普拉斯矩阵等于度矩阵的负二分之一乘以有符号邻接矩阵再乘以度矩阵的负二分之一。

步骤204，利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。

在本实施例中，上述执行主体可以利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。具体地，训练样本集中的训练样本中的样本目标图像作为输入，输入的样本目标图像对应的样本目标特征作为输出，对深度模型和图卷积神经网络进行训练。训练完成的深度模型和图卷积神经网络即可组成目标识别模型。其中，目标识别模型可以用于提取图像中的目标的特征。

在本实施例的一些可选的实现方式中，目标识别模型的训练步骤如下：

首先，对于训练样本集中的训练样本，将该训练样本中的样本目标图像输入至深度模型，输出深度模型提取的目标特征。

之后，将深度模型提取的目标特征输入至图卷积神经网络，输出图卷积神经网络提取的目标特征。

通常，图卷积神经网络包括多个卷积层。对于图卷积神经网络的当前层，上述执行主体可以将当前层的上一层输出的特征图、拉普拉斯矩阵与当前层的权重矩阵相乘，得到当前层输出的特征图。

然后，将图卷积神经网络提取的目标特征和该训练样本中的样本目标特征输入至分类损失函数，得到分类损失。

图卷积神经网络可以连接各种分类损失函数，分类损失函数可以是基于softmax与交叉熵的损失函数及其变种，包括但不限于AM-softmax、L2-softmax、sphereface、arcface等。

最后，基于分类损失更新深度模型和图卷积神经网络的参数至收敛，得到目标识别模型。

结合图卷积与传统分类损失函数，将有符号图卷积学习到的特征输入到分类损失函数进行结合训练，这样的训练方式能够同时兼顾度量学习与分类学习的优点，而不需要增加算法的训练和预测时间。

本申请实施例提供的目标识别模型训练方法，首先基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；然后构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；最后利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。提供了一种基于图卷积的目标识别技术，首次将有符号的图卷积神经网络应用到目标特征学习中，有效地融合了度量学习与分类学习，有效避免了传统度量学习中难样本采样的问题，以及传统分类学习与应用场景目标不一致的问题。通过将目标图像提取特征组成图的形式，并利用图卷积方法对特征空间进行优化，能够更有效地使类间距离增大而类内距离减小，从而显著提升了目标识别模型的性能。

此外，当本申请的技术方案应用人脸识别场景下，能够应用于人脸识别领域的人证、考勤、门禁、安防、金融支付等诸多场景，极大地方便了人们的生活，也保证了人们生活的社会环境的安全性。

为了便于理解，下面提供可以实现本申请实施例的目标识别模型训练方法的场景。如图3所示，首先基于样本人脸图像之间的样本人脸特征关系，构建有符号邻接矩阵，然后构建深度模型，同时基于有符号邻接矩阵构建图卷积神经网络。此外，输入是样本人脸图像。样本人脸图像依次经过深度模型和图卷积神经网络的处理，输出是人脸特征。人脸特征和样本人脸特征输入至arcface损失函数，得到arcface损失。基于arcface损失更新深度模型和图卷积神经网络的参数至收敛，即可得到人脸识别模型。

进一步参考图4，其示出了根据本申请的目标识别模型训练方法的又一个实施例的流程400。该目标识别模型训练方法包括以下步骤：

步骤401，获取训练样本集。

步骤402，基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵。

步骤403，构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络。

步骤404，利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。

在本实施例中，步骤401-404具体操作已在图2所示的实施例中步骤201-204进行了详细的介绍，在此不再赘述。

步骤405，将预测目标图像输入至目标识别模型中的深度模型，输出深度模型提取的预测目标特征。

在本实施例中，目标识别模型训练方法的执行主体(例如图1所示的服务器103)可以将预测目标图像输入至目标识别模型中的深度模型。深度模型可以对预测目标图像进行特征提取，输出其提取的预测目标特征。其中，预测目标图像可以是存在预测目标的图像。预测目标可以是需要进行类别预测的目标。

步骤406，将深度模型提取的预测目标特征输入至目标识别模型中的图卷积神经网络，输出图卷积神经网络提取的预测目标特征。

在本实施例中，上述执行主体可以将深度模型提取的预测目标特征输入至目标识别模型中的图卷积神经网络。图卷积神经网络可以对深度模型提取的预测目标特征进行处理，输出其处理的预测目标特征。

步骤407，将图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，基于比对结果确定预测图像中的预测目标的类别。

在本实施例中，上述执行主体可以首先将图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，得到比对结果；然后基于比对结果确定预测图像中的预测目标的类别。

通常，目标信息集合中可以包括大量目标信息。每条目标信息可以包括目标特征和目标类别。具体地，对于目标信息集合中的目标信息，计算图卷积神经网络提取的预测目标特征与该目标信息中的目标特征的相似度。若计算出的最高的相似度大于预设相似度阈值(例如90％)，则最高的相似度对应的目标信息中的目标类别就是预测目标的类别。若最高的相似度不大于预设相似度阈值，则预测目标的类别是未知类别。

从图4中可以看出，与图2对应的实施例相比，本实施例中的目标识别模型训练方法的流程400增加了预测步骤。由此，本实施例描述的方案利用基于图卷积的目标识别技术对图像中的目标进行识别，显著提升了目标识别精度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种目标识别模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的目标识别模型训练装置500可以包括：样本获取模块501、矩阵构建模块502、模型构建模块503和模型训练模块504。其中，样本获取模块501，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本目标图像和样本目标特征；矩阵构建模块502，被配置成基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；模型构建模块503，被配置成构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；模型训练模块504，被配置成利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。

在本实施例中，目标识别模型训练装置500中：样本获取模块501、矩阵构建模块502、模型构建模块503和模型训练模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，矩阵构建模块502包括：关系建立子模块(图中未示出)，被配置成利用邻近算法对训练样本集建立邻接关系；矩阵建立子模块(图中未示出)，被配置成基于邻接关系和训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵。

在本实施例的一些可选的实现方式中，矩阵建立子模块进一步被配置成：对于训练样本集中存在邻接关系的两个训练样本，若两个训练样本的样本目标特征属于同一类别，则两个训练样本在有符号邻接矩阵中对应的元素的符号为正，且值为两个训练样本的样本目标特征的余弦值的倒数，若两个训练样本的样本目标特征属于不同类别，则两个训练样本在有符号邻接矩阵中对应的元素的符号为负，且值为两个训练样本的样本目标特征的余弦值的倒数。

在本实施例的一些可选的实现方式中，模型构建模块503包括：矩阵生成子模块(图中未示出)，被配置成基于有符号邻接矩阵生成度矩阵，其中，度矩阵是对角矩阵，且每行对角上的元素等于有符号邻接矩阵的每行元素的绝对值的和；输出更新子模块(图中未示出)，被配置成基于有符号邻接矩阵和度矩阵更新图卷积神经网络输出的特征图。

在本实施例的一些可选的实现方式中，输出更新子模块进一步被配置成：利用度矩阵对有符号邻接矩阵归一化，生成拉普拉斯矩阵；使用拉普拉斯矩阵更新图卷积神经网络输出的特征图。

在本实施例的一些可选的实现方式中，模型训练模块504包括：第一特征输出子模块(图中未示出)，被配置成对于训练样本集中的训练样本，将该训练样本中的样本目标图像输入至深度模型，输出深度模型提取的目标特征；第二特征输出子模块(图中未示出)，被配置成将深度模型提取的目标特征输入至图卷积神经网络，输出图卷积神经网络提取的目标特征；损失计算子模块(图中未示出)，被配置成将图卷积神经网络提取的目标特征和该训练样本中的样本目标特征输入至分类损失函数，得到分类损失；参数更新子模块(图中未示出)，被配置成基于分类损失更新深度模型和图卷积神经网络的参数至收敛，得到目标识别模型。

在本实施例的一些可选的实现方式中，第二特征输出子模块进一步被配置成：对于图卷积神经网络的当前层，将当前层的上一层输出的特征图、拉普拉斯矩阵与当前层的权重矩阵相乘，得到当前层输出的特征图。

在本实施例的一些可选的实现方式中，目标识别模型训练装置500还包括：第一特征输出模块(图中未示出)，被配置成将预测目标图像输入至目标识别模型中的深度模型，输出深度模型提取的预测目标特征；第二特征输出模块(图中未示出)，被配置成将深度模型提取的预测目标特征输入至目标识别模型中的图卷积神经网络，输出图卷积神经网络提取的预测目标特征；类别预测模块(图中未示出)，被配置成将图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，基于比对结果确定预测图像中的预测目标的类别，其中，目标信息集合中的目标信息包括目标特征和目标类别。

如图6所示，是根据本申请实施例目标识别模型训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的目标识别模型训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标识别模型训练方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标识别模型训练方法对应的程序指令/模块(例如，附图5所示的样本获取模块501、矩阵构建模块502、模型构建模块503和模型训练模块504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标识别模型训练方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标识别模型训练方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至目标识别模型训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

目标识别模型训练方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与目标识别模型训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请的技术方案，首先基于训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；然后构建深度模型，以及基于有符号邻接矩阵构建图卷积神经网络；最后利用训练样本集对深度模型和图卷积神经网络进行有监督训练，得到目标识别模型。提供了一种基于图卷积的目标识别技术，首次将有符号的图卷积神经网络应用到目标特征学习中，有效地融合了基于度量的特征学习与分类学习，有效避免了传统度量学习中难样本采样的问题，以及传统基于原型的损失函数与应用场景目标不一致的问题。通过将目标图像提取特征组成图的形式，并利用图卷积方法对特征空间进行优化，能够更有效地使类间距离增大而类内距离减小，从而显著提升了目标识别模型的性能。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (17)

1.一种目标识别模型训练方法，包括：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本目标图像和样本目标特征；

基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；

构建深度模型，以及基于所述有符号邻接矩阵构建图卷积神经网络；

利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型；

将预测目标图像输入至所述目标识别模型中的所述深度模型，输出所述深度模型提取的预测目标特征；

将所述深度模型提取的预测目标特征输入至所述目标识别模型中的所述图卷积神经网络，输出所述图卷积神经网络提取的预测目标特征；

将所述图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，基于比对结果确定所述预测目标图像中的预测目标的类别，其中，所述目标信息集合中的目标信息包括目标特征和目标类别。

2.根据权利要求1所述的方法，其中，所述基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵，包括：

利用邻近算法对所述训练样本集建立邻接关系；

基于所述邻接关系和所述训练样本集中的训练样本之间的样本目标特征关系，构建所述有符号邻接矩阵。

3.根据权利要求2所述的方法，其中，所述基于所述邻接关系和所述训练样本集中的训练样本之间的样本目标特征关系，构建所述有符号邻接矩阵，包括：

对于所述训练样本集中存在邻接关系的两个训练样本，若所述两个训练样本的样本目标特征属于同一类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为正，且值为所述两个训练样本的样本目标特征的余弦值的倒数，若所述两个训练样本的样本目标特征属于不同类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为负，且值为所述两个训练样本的样本目标特征的余弦值的倒数。

4.根据权利要求3所述的方法，其中，所述基于所述有符号邻接矩阵构建图卷积神经网络，包括：

基于所述有符号邻接矩阵生成度矩阵，其中，所述度矩阵是对角矩阵，且每行对角上的元素等于所述有符号邻接矩阵的每行元素的绝对值的和；

基于所述有符号邻接矩阵和所述度矩阵更新所述图卷积神经网络输出的特征图。

5.根据权利要求4所述的方法，其中，所述基于所述有符号邻接矩阵和所述度矩阵更新所述图卷积神经网络输出的特征图，包括：

利用所述度矩阵对所述有符号邻接矩阵归一化，生成拉普拉斯矩阵；

使用所述拉普拉斯矩阵更新所述图卷积神经网络输出的特征图。

6.根据权利要求5所述的方法，其中，所述利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型，包括：

对于所述训练样本集中的训练样本，将该训练样本中的样本目标图像输入至所述深度模型，输出所述深度模型提取的目标特征；

将所述深度模型提取的目标特征输入至所述图卷积神经网络，输出所述图卷积神经网络提取的目标特征；

将所述图卷积神经网络提取的目标特征和该训练样本中的样本目标特征输入至分类损失函数，得到分类损失；

基于所述分类损失更新所述深度模型和所述图卷积神经网络的参数至收敛，得到所述目标识别模型。

7.根据权利要求6所述的方法，其中，所述将所述深度模型提取的目标特征输入至所述图卷积神经网络，输出所述图卷积神经网络提取的目标特征，包括：

对于所述图卷积神经网络的当前层，将所述当前层的上一层输出的特征图、所述拉普拉斯矩阵与所述当前层的权重矩阵相乘，得到所述当前层输出的特征图。

8.一种目标识别模型训练装置，包括：

样本获取模块，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括样本目标图像和样本目标特征；

矩阵构建模块，被配置成基于所述训练样本集中的训练样本之间的样本目标特征关系，构建有符号邻接矩阵；

模型构建模块，被配置成构建深度模型，以及基于所述有符号邻接矩阵构建图卷积神经网络；

模型训练模块，被配置成利用所述训练样本集对所述深度模型和所述图卷积神经网络进行有监督训练，得到目标识别模型；

第一特征输出模块，被配置成将预测目标图像输入至所述目标识别模型中的所述深度模型，输出所述深度模型提取的预测目标特征；

第二特征输出模块，被配置成将所述深度模型提取的预测目标特征输入至所述目标识别模型中的所述图卷积神经网络，输出所述图卷积神经网络提取的预测目标特征；

类别预测模块，被配置成将所述图卷积神经网络提取的预测目标特征在预先存储的目标信息集合中比对，基于比对结果确定所述预测目标图像中的预测目标的类别，其中，所述目标信息集合中的目标信息包括目标特征和目标类别。

9.根据权利要求8所述的装置，其中，所述矩阵构建模块包括：

关系建立子模块，被配置成利用邻近算法对所述训练样本集建立邻接关系；

矩阵建立子模块，被配置成基于所述邻接关系和所述训练样本集中的训练样本之间的样本目标特征关系，构建所述有符号邻接矩阵。

10.根据权利要求9所述的装置，其中，所述矩阵建立子模块进一步被配置成：

对于所述训练样本集中存在邻接关系的两个训练样本，若所述两个训练样本的样本目标特征属于同一类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为正，且值为所述两个训练样本的样本目标特征的余弦值的倒数，若所述两个训练样本的样本目标特征属于不同类别，则所述两个训练样本在所述有符号邻接矩阵中对应的元素的符号为负，且值为所述两个训练样本的样本目标特征的余弦值的倒数。

11.根据权利要求10所述的装置，其中，所述模型构建模块包括：

矩阵生成子模块，被配置成基于所述有符号邻接矩阵生成度矩阵，其中，所述度矩阵是对角矩阵，且每行对角上的元素等于所述有符号邻接矩阵的每行元素的绝对值的和；

输出更新子模块，被配置成基于所述有符号邻接矩阵和所述度矩阵更新所述图卷积神经网络输出的特征图。

12.根据权利要求11所述的装置，其中，所述输出更新子模块进一步被配置成：

利用所述度矩阵对所述有符号邻接矩阵归一化，生成拉普拉斯矩阵；

使用所述拉普拉斯矩阵更新所述图卷积神经网络输出的特征图。

13.根据权利要求12所述的装置，其中，所述模型训练模块包括：

第一特征输出子模块，被配置成对于所述训练样本集中的训练样本，将该训练样本中的样本目标图像输入至所述深度模型，输出所述深度模型提取的目标特征；

第二特征输出子模块，被配置成将所述深度模型提取的目标特征输入至所述图卷积神经网络，输出所述图卷积神经网络提取的目标特征；

损失计算子模块，被配置成将所述图卷积神经网络提取的目标特征和该训练样本中的样本目标特征输入至分类损失函数，得到分类损失；

参数更新子模块，被配置成基于所述分类损失更新所述深度模型和所述图卷积神经网络的参数至收敛，得到所述目标识别模型。

14.根据权利要求13所述的装置，其中，所述第二特征输出子模块进一步被配置成：

对于所述图卷积神经网络的当前层，将所述当前层的上一层输出的特征图、所述拉普拉斯矩阵与所述当前层的权重矩阵相乘，得到所述当前层输出的特征图。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。