CN112001321A - 网络训练、行人重识别方法及装置、电子设备和存储介质 - Google Patents

网络训练、行人重识别方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112001321A
CN112001321A CN202010864291.4A CN202010864291A CN112001321A CN 112001321 A CN112001321 A CN 112001321A CN 202010864291 A CN202010864291 A CN 202010864291A CN 112001321 A CN112001321 A CN 112001321A
Authority
CN
China
Prior art keywords
network
pedestrian
identification
edge
training
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
CN202010864291.4A
Other languages
English (en)
Other versions
CN112001321B (zh
Inventor
庄伟铭
张学森
张帅
伊帅
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.)
Sensetime International Pte Ltd
Original Assignee
Sensetime International Pte 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 Sensetime International Pte Ltd filed Critical Sensetime International Pte Ltd
Priority to CN202010864291.4A priority Critical patent/CN112001321B/zh
Priority to PCT/IB2020/060047 priority patent/WO2022043741A1/zh
Publication of CN112001321A publication Critical patent/CN112001321A/zh
Priority to TW109145593A priority patent/TWI769635B/zh
Application granted granted Critical
Publication of CN112001321B publication Critical patent/CN112001321B/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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种网络训练、行人重识别方法及装置、电子设备和存储介质，云端服务器中包括第一行人重识别网络，所述方法包括：向多个边端服务器发送第一行人重识别网络对应的第一网络参数；接收多个边端服务器返回的第二网络参数，其中，针对任一边端服务器，边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，第二行人重识别网络和第一行人重识别网络具有相同的网络结构，第二网络参数是边端服务器根据本地图像数据集、身份分类网络和第一网络参数对第二行人重识别网络进行训练之后得到的；根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。

Description

网络训练、行人重识别方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种网络训练、行人重识别方法及装置、电子设备和存储介质。
背景技术
行人重识别(Person Re-identification)，也称为行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。目前，行人重识别技术已广泛应用于多个领域和行业，如应用于智能视频检测、智能安保等。由于行人重识别技术在处理图像或视频帧序列的过程中，涉及了人脸、人体、个人身份等隐私数据，因此，亟需一种可以避免隐私数据泄露的行人重识别方法。
发明内容
本公开提出了一种网络训练、行人重识别方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于云端服务器，所述云端服务器中包括第一行人重识别网络，所述方法包括：向多个边端服务器发送所述第一行人重识别网络对应的第一网络参数；接收所述多个边端服务器返回的第二网络参数，其中，针对任一所述边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述第二行人重识别网络和所述第一行人重识别网络具有相同的网络结构，所述第二网络参数是所述边端服务器根据所述本地图像数据集、所述身份分类网络和所述第一网络参数对所述第二行人重识别网络进行训练之后得到的；根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
在一种可能的实现方式中，所述根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络，包括：接收所述多个边端服务器返回的所述第二网络参数对应的权重，其中，针对任一所述边端服务器，所述第二网络参数对应的权重是所述边端服务器根据训练前的所述第二行人重识别网络和训练后的所述第二行人重识别网络确定得到的；根据所述多个边端服务器返回的所述第二网络参数对应的权重，对所述多个边端服务器返回的所述第二网络参数进行加权平均，得到更新后的所述第一网络参数；根据更新后的所述第一网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
在一种可能的实现方式中，所述方法还包括：向所述多个边端服务器发送共享图像数据集；接收所述多个边端服务器返回的伪标签，其中，针对任一所述边端服务器，所述伪标签是所述边端服务器根据所述共享图像数据集以及训练后的所述第二行人重识别网络生成的；根据所述共享图像数据集和所述多个边端服务器返回的伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络。
在一种可能的实现方式中，所述根据所述共享图像数据集和所述多个边端服务器返回的伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络，包括：根据所述多个边端服务器返回的伪标签，确定平均伪标签；根据所述共享图像数据集和所述平均伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述方法包括：接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，所述第一行人重识别网络和所述第二行人重识别网络具有相同的网络结构；根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，其中，所述第二行人重识别网络对应第二网络参数；向所述云端服务器发送所述第二网络参数。
在一种可能的实现方式中，所述根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，包括：根据所述本地图像数据集和所述第一网络参数，对所述第二行人重识别网络和所述身份分类网络进行训练，得到训练后的所述第二行人重识别网络和训练后的所述身份分类网络。
在一种可能的实现方式中，所述方法还包括：将训练后的所述身份分类网络存储在所述边端服务器中。
在一种可能的实现方式中，所述本地图像数据集中包括多个身份对应的图像数据；所述身份分类网络的维度与所述多个身份的个数相关。
在一种可能的实现方式中，所述方法还包括：接收所述云端服务器发送的共享图像数据集；根据所述共享图像数据集和训练后的所述第二行人重识别网络，生成伪标签；向所述云端服务器发送所述伪标签。
在一种可能的实现方式中，所述方法还包括：根据训练前的所述第二行人重识别网络和所述本地图像数据集确定第一特征向量，以及根据训练后的所述第二行人重识别网络和所述本地图像数据集，确定第二特征向量；确定所述第一特征向量和所述第二特征向量之间的余弦距离；根据所述余弦距离，确定所述第二网络参数对应的权重；向所述云端服务器发送所述第二网络参数对应的权重。
在一种可能的实现方式中，所述边端服务器为图像采集设备；所述本地图像数据集是根据所述图像采集设备采集得到的。
在一种可能的实现方式中，所述边端服务器与至少一个图像采集设备连接，所述边端服务器和所述至少一个图像采集设备位于相同地理区域范围；所述本地图像数据集是所述边端服务器从所述至少一个图像采集设备中获取得到的。
根据本公开的一方面，提供了一种行人重识别方法，包括：通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；其中，所述目标行人重识别网络采用如上所述的网络训练方法训练得到。
在一种可能的实现方式中，所述目标行人重识别网络为更新后的第一行人重识别网络或训练后的第一行人重识别网络。
在一种可能的实现方式中，在所述目标地理区域范围内包括边端服务器，且所述边端服务器中包括训练后的第二行人重识别网络的情况下，所述目标行人重识别网络为训练后的第二行人重识别网络。
根据本公开的一方面，提供了一种网络训练装置，所述网络训练装置应用于云端服务器，所述云端服务器中包括第一行人重识别网络，所述装置包括：发送模块，用于向多个边端服务器发送所述第一行人重识别网络对应的第一网络参数；接收模块，用于接收所述多个边端服务器返回的第二网络参数，其中，针对任一所述边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述第二行人重识别网络和所述第一行人重识别网络具有相同的网络结构，所述第二网络参数是所述边端服务器根据所述本地图像数据集、所述身份分类网络和所述第一网络参数对所述第二行人重识别网络进行训练之后得到的；更新模块，用于根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述装置包括：接收模块，用于接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，所述第一行人重识别网络和所述第二行人重识别网络具有相同的网络结构；网络训练模块，用于根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，其中，所述第二行人重识别网络对应第二网络参数；发送模块，用于向所述云端服务器发送所述第二网络参数。
根据本公开的一方面，提供了一种行人重识别装置，包括：行人重识别模块，用于通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；其中，所述目标行人重识别网络采用如上所述的网络训练方法训练得到。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
在本公开实施例中，在包括第一行人重识别网络的云端服务器中，通过向多个边端服务器发送第一行人重识别网络对应的第一网络参数，以及接收多个边端服务器返回的第二网络参数，其中，针对任一边端服务器，边端服务器中包括和第一行人重识别网络具有相同的网络结构的第二行人重识别网络、身份分类网络和本地图像数据集，第二网络参数是边端服务器根据本地图像数据集、身份分类网络和第一网络参数对第二行人重识别网络进行训练之后得到的，进而根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。云端服务器联合多个边端服务器对行人重识别网络进行训练，训练过程中图像数据集仍然保存在边端服务器中，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
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一种网络训练方法的流程图；
图2示出根据本公开实施例的一种网络训练的结构图；
图3示出根据本公开实施例的一种网络训练方法的流程图；
图4示出根据本公开实施例的一种确定第二网络参数的权重的示意图；
图5示出根据本公开实施例的一种云端服务器-边端服务器的网络结构图；
图6示出根据本公开实施例的一种云端服务器-边端服务器-终端设备的结构图；
图7示出根据本公开实施例的一种网络训练的结构图；
图8示出根据本公开实施例的一种网络训练装置的框图；
图9示出根据本公开实施例的一种网络训练装置的框图；
图10示出根据本公开实施例的一种电子设备的框图；
图11示出根据本公开实施例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一种网络训练方法的流程图。该网络训练方法可以由云端服务器执行，云端服务器中包括第一行人重识别网络。在一些可能的实现方式中，该网络训练方法可以通过云端服务器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该方法可以包括：
在步骤S11中，向多个边端服务器发送第一行人重识别网络对应的第一网络参数。
在步骤S12中，接收多个边端服务器返回的第二网络参数，其中，针对任一边端服务器，边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，第二行人重识别网络和第一行人重识别网络具有相同的网络结构，第二网络参数是边端服务器根据本地图像数据集、身份分类网络和第一网络参数对第二行人重识别网络进行训练之后得到的。
在步骤S13中，根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。
云端服务器联合多个边端服务器对行人重识别网络进行训练，训练过程中图像数据集仍然保存在边端服务器中，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。此外，由于无需将图像数据集上传至云端服务器，可以有效节约通信带宽。
云端服务器联合多个边端服务器对行人重识别网络进行训练时，云端服务器可以基于联邦学习算法联合多个边端服务器进行网络训练。例如，多个社区联合训练一个行人重识别网络，每个社区都设置一个边端服务器，通过联邦学习算法，图像数据集(设置在社区内部或附近的图像采集设备采集得到的图像数据集)仍然存储在社区内(本地边端服务器)，无需上传至其它社区(其它边端服务器)，从而保护了数据隐私性。
实际应用中，由于不同边端服务器中的本地图像数据集的数据量不相同，使得不同边端服务器之间的数据具有异构性。传统的联邦学习算法在利用多个边端服务器进行网络训练时，根据不同边端服务器中的数据量来设置边端服务器中网络训练得到的第二网络参数的权重。但是，由于数据量的多少并不能直接反映网络训练的训练效果，因此，云端服务器利用边端服务器中基于这种权重确定方法得到的第二网络参数的权重对第一行人重识别网络进行更新，会导致更新后的第一行人重识别网络的精度较低。
在一种可能的实现方式中，根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络，包括：接收多个边端服务器返回的第二网络参数对应的权重，其中，针对任一边端服务器，第二网络参数对应的权重是边端服务器根据训练前的第二行人重识别网络和训练后的第二行人重识别网络确定得到的；根据多个边端服务器返回的第二网络参数对应的权重，对多个边端服务器返回的第二网络参数进行加权平均，得到更新后的第一网络参数；根据更新后的第一网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。
由于边端服务器发送的第二网络参数的权重是边端服务器根据训练前的第二行人重识别网络和训练后的第二行人重识别网络确定得到的，也就是说，第二网络参数的权重是根据边端服务器的训练效果确定的，使得云端服务器根据各边端服务器返回的第二网络参数对应的权重，对多个边端服务器返回的第二网络参数进行加权平均后得到精度较高的更新后的第一网络参数，进而根据更新后的第一网络参数，对第一行人重识别网络进行更新之后，有效提高了更新后的第一行人重识别网络的精度。
实际应用中，由于不同边端服务器中的本地图像数据集是在不同场景(光照、角度)下采集得到的，使得不同边端服务器之间的数据具有异构性，进而导致各边端服务器基于根据本地图像数据集、身份分类网络和第一网络参数训练得到的训练后的第二行人重识别网络的性能，优于云端服务器联合多个边端服务器训练得到的更新后的第一行人重识别网络。因此，可以基于知识蒸馏算法，将各边端服务器中训练后的第二行人重识别网络作为教师网络，将云端服务器中更新后的第一行人重识别网络作为学生网络，利用教师网络对学生网络进行训练(利用更新后的第二行人重识别网络对更新后的第一行人重识别网络进行训练)，以提高第一行人重识别网络训练过程的稳定性和收敛性。
在一种可能的实现方式中，该方法还包括：向多个边端服务器发送共享图像数据集；接收多个边端服务器返回的伪标签，其中，针对任一边端服务器，伪标签是边端服务器根据共享图像数据集以及训练后的第二行人重识别网络生成的；根据共享图像数据集和多个边端服务器返回的伪标签，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络。
云端服务器接收各边端服务器返回的伪标签，由于该伪标签是边端服务器根据共享图像数据集以及训练后的第二行人重识别网络生成的，该伪标签可以用于表示训练后的第二行人重识别网络的网络特性，因此，根据共享图像数据集和多个边端服务器返回的伪标签，对更新后的第一行人重识别网络进行训练，相当于综合各边端服务器的网络特性对更新后的第一行人重识别网络进行训练，从而可以有效提高第一行人重识别网络训练过程的稳定性和收敛性。其中，共享图像数据集指的是云端服务器和各边端服务器均可用于进行网络训练的图像数据集。
图2示出根据本公开实施例的一种网络训练的结构图。如图2所示，多个边端服务器中训练后的第二行人重识别网络构成教师网络1、教师网络2、……、教师网络N，其中，N为多个边端服务器的个数，N＞1。云端服务器中更新后的第一行人重识别网络构成学生网络。教师网络1利用共享数据集生成伪标签l1，以及伪标签l1发送至云端服务器；将教师网络2利用共享数据集生成伪标签l2，以及伪标签l2发送至云端服务器；……；教师网络N利用共享数据集生成伪标签lN，以及伪标签lN发送至云端服务器。云端服务器根据伪标签l1、伪标签l2、……、伪标签lN、以及共享图像数据集，对学生网络(更新后的第一行人重识别网络)进行训练，得到训练后的第一行人重识别网络。
在一种可能的实现方式中，根据共享图像数据集和多个边端服务器返回的伪标签，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络，包括：根据多个边端服务器返回的伪标签，确定平均伪标签；根据共享图像数据集和平均伪标签，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络。
例如，云端服务器联合N(N＞1)个边端服务器对第一行人重识别网络进行训练，云端服务器接收第i(1≤i≤N)个边端服务器返回的伪标签li，其中，伪标签li是第i个边端服务器根据共享图像数据集以及第i个边端服务器中训练后的第二行人重识别网络生成的。云服务器根据N个边端服务器返回的伪标签，通过下述公式(1)确定平均伪标签l：
Figure BDA0002649209980000071
进而云端服务器根据共享图像数据集和平均伪标签l，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络。
在本公开实施例中，在包括第一行人重识别网络的云端服务器中，通过向多个边端服务器发送第一行人重识别网络对应的第一网络参数，以及接收多个边端服务器返回的第二网络参数，其中，针对任一边端服务器，边端服务器中包括和第一行人重识别网络具有相同的网络结构的第二行人重识别网络、身份分类网络和本地图像数据集，第二网络参数是边端服务器根据本地图像数据集、身份分类网络和第一网络参数对第二行人重识别网络进行训练之后得到的，进而根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。云端服务器联合多个边端服务器对行人重识别网络进行训练，训练过程中图像数据集仍然保存在边端服务器中，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
图3示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以由边端服务器执行，边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集。在一些可能的实现方式中，该网络训练方法可以通过边端服务器调用存储器中存储的计算机可读指令的方式来实现。如图3所示，该方法可以包括：
在步骤S31中，接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，第一行人重识别网络和第二行人重识别网络具有相同的网络结构。
在步骤S32中，根据本地图像数据集、身份分类网络和第一网络参数，对第二行人重识别网络进行训练，得到训练后的第二行人重识别网络，其中，第二行人重识别网络对应第二网络参数。
在步骤S33中，向云端服务器发送第二网络参数。
边端服务器联合云端服务器对行人重识别网络进行训练，训练过程中图像数据集仍然保存在边端服务器中，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
在一种可能的实现方式中，边端服务器为图像采集设备；本地图像数据集是根据图像采集设备采集得到的。
在边端服务器为直接与云端服务器进行通信的图像采集设备(例如，智能摄像头)的情况下，图像采集设备需要具备一定的算力、存储能力和通信能力。图像采集设备采集图像得到本地图像数据集，并定时删除清理本地图像数据集中的失效图像数据(例如，缓存时长超过预设阈值的图像数据)，以减少存储压力。图像采集设备接收云端服务器发送的第一行人重识别网络对应的第一网络参数，根据本地图像数据集和第一网络参数，对第二行人重识别网络进行训练，得到对应第二网络参数的训练后的第二行人重识别网络，进而向云端服务器发送第二网络参数。
在一种可能的实现方式中，边端服务器与至少一个图像采集设备连接，边端服务器和至少一个图像采集设备位于相同地理区域范围；本地图像数据集是边端服务器从至少一个图像采集设备中获取得到的。
在相同地理区域范围内设置有至少一个图像采集设备的情况下，可以在该地理区域范围内设置一个边端服务器，此时，无需该至少一个图像采集设备具备存储能力和算力。边端服务器与各图像采集设备连接，进而从各图像采集设备获取图像以构建本地图像数据集。边端服务器接收云端服务器发送的第一行人重识别网络对应的第一网络参数，根据本地图像数据集和第一网络参数，对第二行人重识别网络进行训练，得到对应第二网络参数的训练后的第二行人重识别网络，进而向云端服务器发送第二网络参数。
在一种可能的实现方式中，根据本地图像数据集、身份分类网络和第一网络参数，对第二行人重识别网络进行训练，得到训练后的第二行人重识别网络，包括：根据本地图像数据集和第一网络参数，对第二行人重识别网络和身份分类网络进行训练，得到训练后的第二行人重识别网络和训练后的身份分类网络。
在一种可能的实现方式中，本地图像数据集中包括多个身份对应的图像数据；身份分类网络的维度与多个身份的个数相关。
由于训练后的行人重识别网络是对图像进行身份识别的网络，因此，在对行人重识别网络进行训练的过程中，需要用到包括多个身份对应的图像数据的本地图像数据集，以及身份分类网络，身份分类网络的维度与本地图像数据集中包括的多个身份的个数相关。例如，本地图像数据集中包括100个身份对应的图像数据，则身份分类网络的维度为100。也就是说，身份分类网络中包括100个不同身份类别。
边端服务器将本地的第二行人重识别网络和身份分类网络构建为组合网络，并利用从云端服务器接收到的第一网络参数和本地图像数据集对组合网络进行训练，进而得到训练后的组合网络，其中，训练后的组合网络中包括训练后的第二行人重识别网络和训练后的身份分类网络，训练后的第二行人重识别网络对应第二网络参数。进而边端服务器将第二网络参数发送至云端服务器。由于第一行人重识别网络和第二行人重识别网络具有相同的网络结构，因此，可以利用第二网络参数对第一行人重识别网络进行更新。
在一种可能的实现方式中，该方法还包括：将训练后的身份分类网络存储在边端服务器中。
由于云端服务器中训练得到的第一行人重识别网络在实际进行行人重识别处理过程中，无需用到分类器网络，因此，为了节约通信带宽，以及确保基于联邦学习算法进行联合训练过程中云端服务器和边端服务器中网络结构的一致性，边端服务器仅将训练后的第二行人重识别网络对应的第二网络参数发送至云端服务器，而将训练后的身份分类网络存储在边端服务器本地。
在一种可能的实现方式中，该方法还包括：接收云端服务器发送的共享图像数据集；根据共享图像数据集和训练后的第二行人重识别网络，生成伪标签；向云端服务器发送伪标签。
仍以上述图2为例，如图2所示，边端服务器接收云端服务器发送的共享图像数据集，以及利用共享图像数据集和本地训练后的第二行人重识别网络生成伪标签，进而边端服务器向云端服务器发送伪标签，由于该伪标签可以用于表示训练后的第二行人重识别网络的网络特性，以使得云端服务器根据该伪标签对云端服务器中更新后的第一行人重识别网络进行网络训练后得到的训练后的第一行人重识别网络，网络性能与边端服务器中训练后的第二行人重识别网络更接近，从而有效提高第一行人重识别网络训练过程的稳定性和收敛性。
在一种可能的实现方式中，该方法还包括：根据训练前的第二行人重识别网络和本地图像数据集确定第一特征向量，以及根据训练后的第二行人重识别网络和本地图像数据集，确定第二特征向量；确定第一特征向量和第二特征向量之间的余弦距离；根据余弦距离，确定第二网络参数对应的权重；向云端服务器发送第二网络参数对应的权重。
图4示出根据本公开实施例的一种确定第二网络参数的权重的示意图。如图4所示，边端服务器根据训练前的第二行人重识别网络和本地图像数据集生成第一特征向量f1。边端服务器根据从云端服务器接收到的第一网络参数进行网络训练得到训练后的第二行人重识别网络。边端服务器根据训练后的第二行人重识别网络和本地图像数据集生成第二特征向量f2。确定第一特征向量f1和第二特征向量f2之间的余弦距离cosine_distance(f1,f2)。根据余弦距离cosine_distance(f1,f2)确定训练后的第二行人重识别网络对应的第二网络参数的权重。余弦距离cosine_distance(f1,f2)越大，表示本次网络训练产生的变化越大，训练效果较好，则分配较大的权重；余弦距离cosine_distance(f1,f2)越小，表示本次网络训练产生的变化越小，训练效果较差，则分配较小的权重。进而边端服务器将确定好的第二网络参数对应的权重发送至云端服务器，由于第二网络参数的权重是根据边端服务器中的网络训练效果确定的，使得云端服务器基于该权重更新第一行人重识别网络后，可以有效提高更新后的第一行人重识别网络的精度。
在一种可能的实现方式中，用于确定第一特征向量f1和第二特征向量f2的可以为本地图像数据集的全部，也可以为本地图像数据集的部分，本公开对此不做具体限定。
本公开实施例中，在包括第二行人重识别网络、身份分类网络和本地图像数据集的边端服务器中，通过接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，第一行人重识别网络和第二行人重识别网络具有相同的网络结构，以及根据本地图像数据集、身份分类网络和第一网络参数，对第二行人重识别网络进行训练，得到对应第二网络参数的训练后的第二行人重识别网络后，向云端服务器发送第二网络参数。边端服务器联合云端服务器对行人重识别网络进行训练，训练过程中图像数据集仍然保存在边端服务器中，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
在一种可能的实现方式中，云端服务器联合多个边端服务器对行人重识别网络进行训练时，多个边端服务器可以全部是直接与云端服务器进行通信的图像采集设备(例如，智能摄像头)。图5示出根据本公开实施例的一种云端服务器-边端服务器的网络结构图。如图5所示，与云端服务器连接的5个边端服务器均为图像采集设备。在这种网络结构下，各图像采集设备需要具备一定的算力、存储能力和通信能力。各图像采集设备采集图像得到本地图像数据集，并定时删除清理本地图像数据集中的失效图像数据(例如，缓存时长超过预设阈值的图像数据)，以减少存储压力。云端服务器联合5个作为边端服务器的图像采集设备对行人重识别网络进行训练，训练过程中图像数据集仍然保存在各图像采集设备本地，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
在一种可能的实现方式中，云端服务器联合多个边端服务器对行人重识别网络进行训练时，多个边端服务器可以全部是与至少一个图像采集设备连接的边端服务器，各边端服务器与其连接的至少一个图像采集设备位于相同地理区域范围。图6示出根据本公开实施例的一种云端服务器-边端服务器-终端设备的网络结构图。如图6所示，云端服务器与边端服务器A和边端服务器B直接进行通信。边端服务器A与终端设备1和终端设备2连接，终端设备1和终端设备2为图像采集设备(图像采集设备1和图像采集设备2，例如，图像采集设备为摄像头)，边端服务器A、图像采集设备1和图像采集设备2设置在相同地理区域范围(例如，同一社区，或同一公司)，边端服务器A分别从图像采集设备1和图像采集设备2获取图像以构建本地图像数据集。边端服务器B与终端设备3、终端设备4和终端设备5连接，终端设备3、终端设备4和终端设备5为图像采集设备(图像采集设备3、图像采集设备4和图像采集设备5，例如，图像采集设备为摄像头)，边端服务器B、图像采集设备3、图像采集设备4和图像采集设备5设置在相同地理区域范围(例如，同一社区，或同一公司)，边端服务器B分别从图像采集设备3、图像采集设备4和图像采集设备5获取图像以构建本地图像数据集。云端服务器联合2个边端服务器(边端服务器A和边端服务器B)对行人重识别网络进行训练，训练过程中图像数据集仍然保存在各边端服务器本地，无需上传至云端服务器，从而可以在有效训练行人重识别网络的同时保护了数据隐私性。
在一种可能的实现方式中，云端服务器联合多个边端服务器对行人重识别网络进行训练时，多个边端服务器还可以部分是直接与云端服务器进行通信的图像采集设备(例如，智能摄像头)，部分是与至少一个图像采集设备连接的边端服务器，本公开对此不做具体限定。
图7示出根据本公开实施例的一种网络训练的结构图。如图7所示，云端服务器可以和多个边端服务器进行通信，且云端服务器中包括的第一行人重识别网络和边端服务器中包括的第二行人重识别网络具有相同的网络结构。各边端服务器中还包括本地图像数据集以及身份分类网络。云端服务器向多个边端服务器发送第一行人重识别网络对应的第一网络参数，各边端服务器接收到第一网络参数后，利用本地图像数据集和身份分类网络对第二行人重识别网络进行训练，得到对应第二网络参数的训练后的第二行人重识别网络，以及训练后的身份分类网络。为了确保云端服务器和各边端服务器联合训练的网络结构一致，各边端服务器仅将训练后的第二行人重识别网络对应的第二网络参数发送至云端服务器。云端服务器根据接收到的多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。进而将更新后的第一行人重识别网络对应的第一网络参数发送至多个边端服务器进行循环训练，直至云端服务器中更新后的第一行人重识别网络的识别精度达到阈值，或者循环训练的次数达到预设次数，结束训练。
由于不同边端服务器中的本地图像数据集的数据量不相同，使得不同边端服务器之间的数据具有异构性。在联合多个边端服务器对第一行人重识别网络进行训练时，为了较低数据异构性对更新后的第一行人重识别网络的精度的影响，在各边端服务器中可以采用基于训练效果的权重确定方法来确定训练后的第二行人重识别网络对应的第二网络参数的权重，从而使得云端服务器联合各边端服务器返回的第二网络参数对第一行人重识别网络进行更新后，得到精度较高的更新后的第一行人重识别网络。基于训练效果的权重确定方法的具体步骤如上述实施例相关部分所述，在此不再赘述。
由于不同边端服务器中的本地图像数据集是在不同场景(光照、角度)下采集得到的，使得不同边端服务器之间的数据具有异构性，进而导致各边端服务器基于根据本地图像数据集和第一网络参数训练得到的训练后的第二行人重识别网络的性能，优于云端服务器联合多个边端服务器训练得到的更新后的第一行人重识别网络。为了提高第一行人重识别网络训练过程的稳定性和收敛性，可以采用知识蒸馏算法，基于各边端服务器中更新后的第二行人重识别网络、共享数据集对云端服务器中更新后的第一行人重识别网络进行训练，从而有效提高了第一行人重识别网络训练过程的稳定性和收敛性。基于知识蒸馏算法的具体训练过程如上述实施例相关部分所述，在此不再赘述。
在基于图7所示的网络结构对行人重识别网络进行训练的过程中，基于训练效果的权重确定方法和基于知识蒸馏算法的网络训练可以分别单独使用，也可以综合使用，本公开对此不做具体限定。
在一种应用场景中，例如，在多个公司或者机构要联合进行行人重识别网络，以提高训练后的行人重识别网络的鲁棒性的情况下，为了避免将多方数据汇总到同一个服务器上产生的数据隐私泄露的问题，可以基于图7所示的网络结构来对行人重识别网络进行联合训练，其中，多个公司或者机构作为边端服务器，多个公司或者机构与同一个云端服务器进行直接通信，训练过程中数据仍然保存在本地，无需上传至云端服务器，从而可以在云端服务器中有效训练得到行人重识别网络的同时保护了多个公司或者机构的数据隐私性。
在一种应用场景中，例如，公司A为公司B提供行人重识别网络的训练服务，如果将公司B的各图像采集设备(例如，智能摄像头)的图像数据都上传至公司A，将会产生数据隐私泄漏问题。此时，公司A可以基于图7所示的网络结构来对行人重识别网络进行联合训练，公司A可以作为云端服务器，公司B中的各图像采集设备可以作为多个边端服务器，训练过程中数据仍然保存在公司B本地，无需上传至公司A＝，从而可以在公司B中有效训练得到行人重识别网络的同时保护了公司A的数据隐私性。
本公开实施例还提供一种行人重识别方法。该行人重识别方法可以由终端设备或其它处理设备执行，其中，终端设备可以为图像采集设备(例如，智能摄像头)、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。该方法可以包括：
通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；其中，目标行人重识别网络采用前述实施例的网络训练方法训练得到。
目标行人重识别网络可以对目标地理区域范围内的至少一帧待识别图像进行行人重识别处理，确定该至少一帧待识别图像中是否存在特性行人。
在一种可能的实现方式中，目标行人重识别网络为更新后的第一行人重识别网络或训练后的第一行人重识别网络。
由于云端服务器中更新后的第一行人重识别网络或训练后的第一行人重识别网络具有普适性，即可以应用于任意应用场景，因此，可以利用云端服务器中更新后的第一行人重识别网络或训练后的第一行人重识别网络，实现对在目标地理区域范围内获取到的至少一帧待识别图像的行人重识别处理，以得到行人重识别结果。
在一种可能的实现方式中，在目标地理区域范围内包括边端服务器，且边端服务器中包括训练后的第二行人重识别网络的情况下，目标行人重识别网络为训练后的第二行人重识别网络。
结合上述云端服务器和边端服务器的网络训练方法实施例可知，由于不同边端服务器中的本地图像数据集是在不同场景(光照、角度)下采集得到的，使得不同边端服务器之间的数据具有异构性，不同边端服务器根据本地图像数据集训练得到的训练后的第二行人重识网络具有个性化，更适应本地场景，进而导致各边端服务器中训练后的第二行人重识别网络的性能，优于云端服务器联合多个边端服务器训练得到的更新后的第一行人重识别网络。因此，在目标地理区域范围内包括边端服务器，且边端服务器中包括训练后的第二行人重识别网络的情况下，可以利用更适应目标地理区域范围本地场景的训练后的第二行人重识别网络对至少一帧待识别图像进行行人重识别处理，以提高处理结果的准确性。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了网络训练/行人重识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络训练/行人重识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图8示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于云端服务器，云端服务器中包括第一行人重识别网络。如图8所示，装置80包括：
发送模块81，用于向多个边端服务器发送第一行人重识别网络对应的第一网络参数；
接收模块82，用于接收多个边端服务器返回的第二网络参数，其中，针对任一边端服务器，边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，第二行人重识别网络和第一行人重识别网络具有相同的网络结构，第二网络参数是边端服务器根据本地图像数据集、身份分类网络和第一网络参数对第二行人重识别网络进行训练之后得到的；
更新模块83，用于根据多个边端服务器返回的第二网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。
在一种可能的实现方式中，更新模块83，包括：
接收子模块，用于接收多个边端服务器返回的第二网络参数对应的权重，其中，针对任一边端服务器，第二网络参数对应的权重是边端服务器根据训练前的第二行人重识别网络和训练后的第二行人重识别网络确定得到的；
第一更新子模块，用于根据多个边端服务器返回的第二网络参数对应的权重，对多个边端服务器返回的第二网络参数进行加权平均，得到更新后的第一网络参数；
第二更新子模块，用于根据更新后的第一网络参数，对第一行人重识别网络进行更新，得到更新后的第一行人重识别网络。
在一种可能的实现方式中，发送模块81，还用于向多个边端服务器发送共享图像数据集；
接收模块82，还用于接收多个边端服务器返回的伪标签，其中，针对任一边端服务器，伪标签是边端服务器根据共享图像数据集以及训练后的第二行人重识别网络生成的；
装置80，还包括：
网络训练模块，用于根据共享图像数据集和多个边端服务器返回的伪标签，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络。
在一种可能的实现方式中，网络训练模块，具体用于：
根据多个边端服务器返回的伪标签，确定平均伪标签；
根据共享图像数据集和平均伪标签，对更新后的第一行人重识别网络进行训练，得到训练后的第一行人重识别网络。
图9示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于边端服务器，边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集。如图9所示，装置90包括：
接收模块91，用于接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，第一行人重识别网络和第二行人重识别网络具有相同的网络结构；
网络训练模块92，用于根据本地图像数据集、身份分类网络和第一网络参数，对第二行人重识别网络进行训练，得到训练后的第二行人重识别网络，其中，第二行人重识别网络对应第二网络参数；
发送模块93，用于向云端服务器发送第二网络参数。
在一种可能的实现方式中，网络训练模块92，具体用于：
根据本地图像数据集和第一网络参数，对第二行人重识别网络和身份分类网络进行训练，得到训练后的第二行人重识别网络和训练后的身份分类网络。
在一种可能的方式中，装置90，还包括：
存储模块，用于将训练后的身份分类网络存储在边端服务器中。
在一种可能的方式中，本地图像数据集中包括多个身份对应的图像数据；身份分类网络的维度与多个身份的个数相关。
在一种可能的方式中，
接收模块91，还用于接收云端服务器发送的共享图像数据集；
装置90，还包括：
伪标签生成模块，用于根据共享图像数据集和训练后的第二行人重识别网络，生成伪标签；
发送模块93，还用于向云端服务器发送所述伪标签。
在一种可能的方式中，装置90，还包括：
第一确定模块，用于根据训练前的第二行人重识别网络和本地图像数据集确定第一特征向量，以及根据训练后的第二行人重识别网络和本地图像数据集，确定第二特征向量；
第二确定模块，用于确定第一特征向量和第二特征向量之间的余弦距离；
第三确定模块，用于根据余弦距离，确定第二网络参数对应的权重；
发送模块93，还用于向云端服务器发送第二网络参数对应的权重。
在一种可能的方式中，边端服务器为图像采集设备；本地图像数据集是根据图像采集设备采集得到的。
在一种可能的方式中，边端服务器与至少一个图像采集设备连接，边端服务器和至少一个图像采集设备位于相同地理区域范围；本地图像数据集是边端服务器从至少一个图像采集设备中获取得到的。
本公开实施例还提供一种行人重识别装置，包括：行人重识别模块，用于通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；其中，目标行人重识别网络采用上述网络训练方法训练得到。
在一种可能的实现方式中，目标行人重识别网络为更新后的第一行人重识别网络或训练后的第一行人重识别网络。
在一种可能的实现方式中，在目标地理区域范围内包括边端服务器，且边端服务器中包括训练后的第二行人重识别网络的情况下，目标行人重识别网络为训练后的第二行人重识别网络。
在一些实施例中，本公开实施例提供的网络训练/行人重识别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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的网络训练/行人重识别方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的网络训练/行人重识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本公开实施例的一种电子设备的框图。如图10所示，电子设备800可以是图像采集设备(例如，智能摄像头)、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10，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，如互补金属氧化物半导体(CMOS)或电荷耦合装置(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，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(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11示出根据本公开实施例的一种电子设备的框图。如图11所示，电子设备1900可以被提供为一服务器。参照图11，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，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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 (20)

1.一种网络训练方法，其特征在于，所述方法应用于云端服务器，所述云端服务器中包括第一行人重识别网络，所述方法包括：
向多个边端服务器发送所述第一行人重识别网络对应的第一网络参数；
接收所述多个边端服务器返回的第二网络参数，其中，针对任一所述边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述第二行人重识别网络和所述第一行人重识别网络具有相同的网络结构，所述第二网络参数是所述边端服务器根据所述本地图像数据集、所述身份分类网络和所述第一网络参数对所述第二行人重识别网络进行训练之后得到的；
根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络，包括：
接收所述多个边端服务器返回的所述第二网络参数对应的权重，其中，针对任一所述边端服务器，所述第二网络参数对应的权重是所述边端服务器根据训练前的所述第二行人重识别网络和训练后的所述第二行人重识别网络确定得到的；
根据所述多个边端服务器返回的所述第二网络参数对应的权重，对所述多个边端服务器返回的所述第二网络参数进行加权平均，得到更新后的所述第一网络参数；
根据更新后的所述第一网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
向所述多个边端服务器发送共享图像数据集；
接收所述多个边端服务器返回的伪标签，其中，针对任一所述边端服务器，所述伪标签是所述边端服务器根据所述共享图像数据集以及训练后的所述第二行人重识别网络生成的；
根据所述共享图像数据集和所述多个边端服务器返回的伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络。
4.根据权利要求3所述的方法，其特征在于，所述根据所述共享图像数据集和所述多个边端服务器返回的伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络，包括：
根据所述多个边端服务器返回的伪标签，确定平均伪标签；
根据所述共享图像数据集和所述平均伪标签，对更新后的所述第一行人重识别网络进行训练，得到训练后的所述第一行人重识别网络。
5.一种网络训练方法，其特征在于，所述方法应用于边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述方法包括：
接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，所述第一行人重识别网络和所述第二行人重识别网络具有相同的网络结构；
根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，其中，所述第二行人重识别网络对应第二网络参数；
向所述云端服务器发送所述第二网络参数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，包括：
根据所述本地图像数据集和所述第一网络参数，对所述第二行人重识别网络和所述身份分类网络进行训练，得到训练后的所述第二行人重识别网络和训练后的所述身份分类网络。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将训练后的所述身份分类网络存储在所述边端服务器中。
8.根据权利要求6或7所述的方法，其特征在于，所述本地图像数据集中包括多个身份对应的图像数据；所述身份分类网络的维度与所述多个身份的个数相关。
9.根据权利要求5至8中任一项所述的方法，其特征在于，所述方法还包括：
接收所述云端服务器发送的共享图像数据集；
根据所述共享图像数据集和训练后的所述第二行人重识别网络，生成伪标签；
向所述云端服务器发送所述伪标签。
10.根据权利要求5至9任一项所述的方法，其特征在于，所述方法还包括：
根据训练前的所述第二行人重识别网络和所述本地图像数据集确定第一特征向量，以及根据训练后的所述第二行人重识别网络和所述本地图像数据集，确定第二特征向量；
确定所述第一特征向量和所述第二特征向量之间的余弦距离；
根据所述余弦距离，确定所述第二网络参数对应的权重；
向所述云端服务器发送所述第二网络参数对应的权重。
11.根据权利要求5至10中任一项所述的方法，其特征在于，所述边端服务器为图像采集设备；所述本地图像数据集是根据所述图像采集设备采集得到的。
12.根据权利要求5至10中任一项所述的方法，其特征在于，所述边端服务器与至少一个图像采集设备连接，所述边端服务器和所述至少一个图像采集设备位于相同地理区域范围；所述本地图像数据集是所述边端服务器从所述至少一个图像采集设备中获取得到的。
13.一种行人重识别方法，其特征在于，包括：
通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；
其中，所述目标行人重识别网络采用权利要求1至12中任一项所述的网络训练方法训练得到。
14.根据权利要求13所述的方法，其特征在于，所述目标行人重识别网络为更新后的第一行人重识别网络或训练后的第一行人重识别网络。
15.根据权利要求13所述的方法，其特征在于，在所述目标地理区域范围内包括边端服务器，且所述边端服务器中包括训练后的第二行人重识别网络的情况下，所述目标行人重识别网络为训练后的第二行人重识别网络。
16.一种网络训练装置，其特征在于，所述装置应用于云端服务器，所述云端服务器中包括第一行人重识别网络，所述装置包括：
发送模块，用于向多个边端服务器发送所述第一行人重识别网络对应的第一网络参数；
接收模块，用于接收所述多个边端服务器返回的第二网络参数，其中，针对任一所述边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述第二行人重识别网络和所述第一行人重识别网络具有相同的网络结构，所述第二网络参数是所述边端服务器根据所述本地图像数据集、所述身份分类网络和所述第一网络参数对所述第二行人重识别网络进行训练之后得到的；
更新模块，用于根据所述多个边端服务器返回的所述第二网络参数，对所述第一行人重识别网络进行更新，得到更新后的所述第一行人重识别网络。
17.一种网络训练装置，其特征在于，所述装置应用于边端服务器，所述边端服务器中包括第二行人重识别网络、身份分类网络和本地图像数据集，所述装置包括：
接收模块，用于接收云端服务器发送的第一行人重识别网络对应的第一网络参数，其中，所述第一行人重识别网络和所述第二行人重识别网络具有相同的网络结构；
网络训练模块，用于根据所述本地图像数据集、所述身份分类网络和所述第一网络参数，对所述第二行人重识别网络进行训练，得到训练后的所述第二行人重识别网络，其中，所述第二行人重识别网络对应第二网络参数；
发送模块，用于向所述云端服务器发送所述第二网络参数。
18.一种行人重识别装置，其特征在于，包括：
行人重识别模块，用于通过目标行人重识别网络对在目标地理区域范围内获取到的至少一帧待识别图像进行行人重识别处理，确定行人重识别结果；
其中，所述目标行人重识别网络采用权利要求1至12中任一项所述的网络训练方法训练得到。
19.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至15中任意一项所述的方法。
20.一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15中任意一项所述的方法。
CN202010864291.4A 2020-08-25 2020-08-25 网络训练、行人重识别方法及装置、电子设备和存储介质 Active CN112001321B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010864291.4A CN112001321B (zh) 2020-08-25 2020-08-25 网络训练、行人重识别方法及装置、电子设备和存储介质
PCT/IB2020/060047 WO2022043741A1 (zh) 2020-08-25 2020-10-27 网络训练、行人重识别方法及装置、存储介质、计算机程序
TW109145593A TWI769635B (zh) 2020-08-25 2020-12-22 網路訓練、行人重識別方法、電子設備及電腦可讀存儲介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010864291.4A CN112001321B (zh) 2020-08-25 2020-08-25 网络训练、行人重识别方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112001321A true CN112001321A (zh) 2020-11-27
CN112001321B CN112001321B (zh) 2024-06-14

Family

ID=73471079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010864291.4A Active CN112001321B (zh) 2020-08-25 2020-08-25 网络训练、行人重识别方法及装置、电子设备和存储介质

Country Status (3)

Country Link
CN (1) CN112001321B (zh)
TW (1) TWI769635B (zh)
WO (1) WO2022043741A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507893A (zh) * 2020-12-14 2021-03-16 华南理工大学 一种基于边缘计算的分布式无监督行人重识别方法
CN112861695A (zh) * 2021-02-02 2021-05-28 北京大学 行人身份再识别方法、装置、电子设备及存储介质
CN112906857A (zh) * 2021-01-21 2021-06-04 商汤国际私人有限公司 一种网络训练方法及装置、电子设备和存储介质
CN112906677A (zh) * 2021-05-06 2021-06-04 南京信息工程大学 基于改进型ssd网络的行人目标检测与重识别方法
CN113205863A (zh) * 2021-06-04 2021-08-03 广西师范大学 基于蒸馏的半监督联邦学习的个性化模型的训练方法
CN113326939A (zh) * 2021-06-21 2021-08-31 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN113326938A (zh) * 2021-06-21 2021-08-31 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN113792606A (zh) * 2021-08-18 2021-12-14 清华大学 基于多目标追踪的低成本自监督行人重识别模型构建方法
CN113807369A (zh) * 2021-09-26 2021-12-17 北京市商汤科技开发有限公司 目标重识别方法及装置、电子设备和存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743243B (zh) * 2022-04-06 2024-05-31 平安科技（深圳）有限公司 基于人工智能的人脸识别方法、装置、设备及存储介质
CN115022316B (zh) * 2022-05-20 2023-08-11 阿里巴巴（中国）有限公司 端云协同数据处理系统、方法、设备及计算机存储介质
CN115310130B (zh) * 2022-08-15 2023-11-17 南京航空航天大学 一种基于联邦学习的多站点医学数据分析方法及系统
CN115601791B (zh) * 2022-11-10 2023-05-02 江南大学 基于Multiformer及离群样本重分配的无监督行人重识别方法
CN117851838A (zh) * 2024-03-07 2024-04-09 广州大学 一种协作学习过程中异构数据源的鉴定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795477A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 数据的训练方法及装置、系统
CN110956202A (zh) * 2019-11-13 2020-04-03 重庆大学 基于分布式学习的图像训练方法、系统、介质及智能设备
CN111107094A (zh) * 2019-12-25 2020-05-05 青岛大学 轻量级地面向医疗物联网的大数据共享系统
CN111241580A (zh) * 2020-01-09 2020-06-05 广州大学 一种基于可信执行环境的联邦学习方法
CN111401281A (zh) * 2020-03-23 2020-07-10 山东师范大学 基于深度聚类和样例学习的无监督行人重识别方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112455A1 (en) * 2007-10-24 2009-04-30 Yahoo! Inc. Method and system for rendering simplified point finding maps
US10878320B2 (en) * 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
EP3332320B1 (en) * 2015-08-05 2023-04-05 Equifax, Inc. Model integration tool
CN107563327B (zh) * 2017-08-31 2021-07-20 武汉大学 一种基于自步反馈的行人重识别方法及系统
CN108230296B (zh) * 2017-11-30 2023-04-07 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
CN109993300B (zh) * 2017-12-29 2021-01-29 华为技术有限公司 一种神经网络模型的训练方法及装置
EP3528179A1 (en) * 2018-02-15 2019-08-21 Koninklijke Philips N.V. Training a neural network
CN111126108B (zh) * 2018-10-31 2024-05-21 北京市商汤科技开发有限公司 图像检测模型的训练和图像检测方法及装置
CN110490058B (zh) * 2019-07-09 2022-07-26 北京迈格威科技有限公司 行人检测模型的训练方法、装置、系统和计算机可读介质
CN110825900A (zh) * 2019-11-07 2020-02-21 重庆紫光华山智安科技有限公司 特征重构层的训练方法、图像特征的重构方法及相关装置
CN111291611A (zh) * 2019-12-20 2020-06-16 长沙千视通智能科技有限公司 一种基于贝叶斯查询扩展的行人重识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795477A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 数据的训练方法及装置、系统
CN110956202A (zh) * 2019-11-13 2020-04-03 重庆大学 基于分布式学习的图像训练方法、系统、介质及智能设备
CN111107094A (zh) * 2019-12-25 2020-05-05 青岛大学 轻量级地面向医疗物联网的大数据共享系统
CN111241580A (zh) * 2020-01-09 2020-06-05 广州大学 一种基于可信执行环境的联邦学习方法
CN111401281A (zh) * 2020-03-23 2020-07-10 山东师范大学 基于深度聚类和样例学习的无监督行人重识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MCMAHAN ET AL.: "Communication-Efficient Learning of Deep Networks from Decentralized Data", 《AISTATS 2017》, vol. 54, pages 1273 - 1282 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507893A (zh) * 2020-12-14 2021-03-16 华南理工大学 一种基于边缘计算的分布式无监督行人重识别方法
CN112906857A (zh) * 2021-01-21 2021-06-04 商汤国际私人有限公司 一种网络训练方法及装置、电子设备和存储介质
CN112906857B (zh) * 2021-01-21 2024-03-19 商汤国际私人有限公司 一种网络训练方法及装置、电子设备和存储介质
CN112861695A (zh) * 2021-02-02 2021-05-28 北京大学 行人身份再识别方法、装置、电子设备及存储介质
CN112861695B (zh) * 2021-02-02 2023-10-24 北京大学 行人身份再识别方法、装置、电子设备及存储介质
CN112906677A (zh) * 2021-05-06 2021-06-04 南京信息工程大学 基于改进型ssd网络的行人目标检测与重识别方法
CN113205863B (zh) * 2021-06-04 2022-03-25 广西师范大学 基于蒸馏的半监督联邦学习的个性化模型的训练方法
CN113205863A (zh) * 2021-06-04 2021-08-03 广西师范大学 基于蒸馏的半监督联邦学习的个性化模型的训练方法
CN113326938A (zh) * 2021-06-21 2021-08-31 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN113326939A (zh) * 2021-06-21 2021-08-31 商汤国际私人有限公司 网络训练、行人重识别方法及装置、电子设备和存储介质
CN113792606A (zh) * 2021-08-18 2021-12-14 清华大学 基于多目标追踪的低成本自监督行人重识别模型构建方法
CN113792606B (zh) * 2021-08-18 2024-04-26 清华大学 基于多目标追踪的低成本自监督行人重识别模型构建方法
CN113807369A (zh) * 2021-09-26 2021-12-17 北京市商汤科技开发有限公司 目标重识别方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
TWI769635B (zh) 2022-07-01
CN112001321B (zh) 2024-06-14
WO2022043741A1 (zh) 2022-03-03
TW202209151A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN112001321B (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
CN112991553B (zh) 信息展示方法及装置、电子设备和存储介质
CN111553864A (zh) 图像修复方法及装置、电子设备和存储介质
CN112945207B (zh) 目标定位方法及装置、电子设备和存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN111563138B (zh) 定位方法及装置、电子设备和存储介质
CN113486830A (zh) 图像处理方法及装置、电子设备和存储介质
CN112541971A (zh) 点云地图构建方法及装置、电子设备和存储介质
CN111325786B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346A (zh) 图像识别方法及装置、电子设备和存储介质
CN112837372A (zh) 数据生成方法及装置、电子设备和存储介质
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质
CN111784773A (zh) 图像处理方法及装置、神经网络训练方法及装置
CN111062407A (zh) 图像处理方法及装置、电子设备和存储介质
CN110121115B (zh) 精彩视频片段的确定方法及装置
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质
CN113506229B (zh) 神经网络训练和图像生成方法及装置
CN114549983A (zh) 计算机视觉模型训练方法及装置、电子设备和存储介质
CN112330721B (zh) 三维坐标的恢复方法及装置、电子设备和存储介质
CN114677648A (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
CN114550265A (zh) 图像处理方法、人脸识别方法及系统
CN109543544B (zh) 跨光谱图像匹配方法及装置、电子设备和存储介质
CN113727034A (zh) 补光控制方法、电子设备和存储介质
CN113326939A (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032777

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant