CN112036446B - 目标识别特征融合的方法、系统、介质及装置 - Google Patents

目标识别特征融合的方法、系统、介质及装置 Download PDF

Info

Publication number
CN112036446B
CN112036446B CN202010784067.4A CN202010784067A CN112036446B CN 112036446 B CN112036446 B CN 112036446B CN 202010784067 A CN202010784067 A CN 202010784067A CN 112036446 B CN112036446 B CN 112036446B
Authority
CN
China
Prior art keywords
feat
target data
feature
rule
rnn
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.)
Active
Application number
CN202010784067.4A
Other languages
English (en)
Other versions
CN112036446A (zh
Inventor
成西锋
马卫民
袁德胜
游浩泉
林治强
党毅飞
崔龙
李伟超
王海涛
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.)
Winner Technology Co ltd
Original Assignee
Winner Technology 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 Winner Technology Co ltd filed Critical Winner Technology Co ltd
Priority to CN202010784067.4A priority Critical patent/CN112036446B/zh
Publication of CN112036446A publication Critical patent/CN112036446A/zh
Application granted granted Critical
Publication of CN112036446B publication Critical patent/CN112036446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供一种目标识别特征融合的方法、系统、介质及装置，所述方法包括以下步骤：S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值；S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；重复S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。本发明用于训练得到RNN网络能在融合新的目标识别特征的同时，减少因融合特征带来的识别错误、防止识别速度降低。

Description

目标识别特征融合的方法、系统、介质及装置
技术领域
本发明涉及目标识别技术领域，特别是涉及一种目标识别特征融合的方法、系统、介质及装置。
背景技术
目标识别是人工智能视觉领域的研究热点领域，该技术广泛基于图像视频的审查及安防监控等场景。同时，该领域也是深度学习技术主要应用方向之一，在某些场景中识别准确率甚至超过人类的识别极限，如人脸识别等。
在目标识别任务中，主要包括目标的特征提取，相似度计算，阈值判断等重要部分。其中，相似度计算在实际应用中，已抽取的特征的处理往往会带来一些困扰。具体是在特征提取之后，新的特征需要和数据库已录入特征计算相似度，但计算相似度之后，
1.如果该条新的特征不属于已录入目标，则该条特征插入数据库并登记为新录入人员。
2.如果该条新的特征属于已录入人员，那么对于这条特征通常会有以下三种处理方式：
a)特征更新，用该条新的特征，去替换匹配到的目标已录入数据库的特征。但这里有个核心问题，因为匹配识别的准确率不是100％，在匹配识别错误的时候，用一条错误的特征去更新录入特征，后续的识别结果都会因该特征带来错误。
b)特征增加，将该条新的特征录入数据库，作为被匹配到的目标的特征扩充。这种处理方式所带来的问题，就是录入数据库的特征数量会明显增长，且每个录入目标所拥有的特征也会增加，随着时间积累，会明显降低识别匹配的速度。
c)特征不变，即该条新的特征不会被插入数据库作为更新或者扩充。这种处理方式，在有些长时间的应用中，会出现特征信息单一，即当目标随着时间发生一些变化时，无法匹配识别。比如人脸识别中的发型改变，或行人重识别的时候姿态改变等。
因此，希望能够解决如何融合新的目标识别特征的同时，减少因融合特征带来的识别错误、识别速度降低、无法识别的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种目标识别特征融合的方法、系统、介质及装置，用于解决现有技术中如何融合新的目标识别特征的同时，减少因融合特征带来的识别错误、识别速度降低、无法识别的问题。
为实现上述目的及其他相关目的，本发明提供一种目标识别特征融合的方法，包括以下步骤：步骤S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；步骤S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值；步骤S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；步骤S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；步骤S15、重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
于本发明的一实施例中，所述随机参数生成法包括：生成高斯分布的随机参数或拉普拉斯分布的随机参数。
于本发明的一实施例中，所述将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征包括：按照以下公式将特征输入RNN网络：
feat′n＝F(feat′n-1，featn)＝F(F(feat′n-2，featn-1)，featn)
feat′0＝F(feat0)＝feat0
其中，feat0为某一目标数据的第0号特征，feat′0为某一目标数据的第0号输出特征，featn为某一目标数据的第n号特征，feat′n为某一目标数据的第n号输出特征。
于本发明的一实施例中，所述进行loss计算包括：
loss＝|AP|-|AN|+α；
其中：M表示目标数据的个数；N表示目标数据的特征的预设数量；dist为距离函数；i表示第i个目标数据，j表示目标数据的第j个特征；feati，j表示第i个目标数据的第j个特征；feat′i，，j表示第i个目标数据的第j个输出特征，α为常数。
于本发明的一实施例中，所述距离函数包括：欧式距离函数，余弦距离函数，马氏距离函数。
于本发明的一实施例中，按照更新规则基于loss值对RNN网络的全部权重进行更新包括：对网络进行反向传播，通过偏微分计算各网络层的参数梯度，根据学利率和动量对当前网络的全部权重进行更新。
于本发明的一实施例中，重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则包括：记录每次重复步骤S11、S13和S14获得的loss值，直到获得的loss值在一定重复步骤S11、S13和S14后无明显下降时，此时获得的loss值符合预设loss值规则。
为实现上述目的，本发明还提供一种目标识别特征融合的系统，包括：获取模块、赋值模块、输入模块、loss计算模块和重复模块；所述获取模块用于获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；所述赋值模块用于根据随机参数生成法对RNN网络的全部权重进行随机赋值；所述输入模块用于将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；所述loss计算模块用于当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；所述重复模块用于重复获取模块、输入模块、loss计算模块的内容直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述目标识别特征融合的方法。
为实现上述目的，本发明还提供一种目标识别特征融合装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述目标识别特征融合装置执行任一上述的目标识别特征融合的方法。
如上所述，本发明的一种目标识别特征融合的方法、系统、介质及装置，具有以下有益效果：。
附图说明
图1a显示为本发明的目标识别特征融合的方法于一实施例中的流程图；
图1b显示为本发明的目标识别特征融合的方法于一实施例中的目标数据结构；
图1c显示为本发明的目标识别特征融合的方法于又一实施例中的流程图；
图2显示为本发明的目标识别特征融合的系统于一实施例中的结构示意图；
图3显示为本发明的目标识别特征融合的装置于一实施例中的结构示意图。
元件标号说明
21 获取模块
22 赋值模块
23 输入模块
24 loss计算模块
25 重复模块
31 处理器
32 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的目标识别特征融合的方法、系统、介质及装置，用于训练得到RNN网络能在融合新的目标识别特征的同时，减少因融合特征带来的识别错误、防止识别速度降低。
如图1a所示，于一实施例中，本发明的目标识别特征融合的方法，包括以下步骤：
步骤S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征。
具体地，如图1b所示，于一实施例中，所述训练数据由多个目标数据组成，每个目标数据包含不超过预设数量的特征，例如如图1b所示，每个目标数据包含不超过预设数量为6的特征。某个训练数据由多个目标数据组成，每个目标数据都包含不超过预设数量的特征。
步骤S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值。
具体地，所述随机参数生成法包括：生成高斯分布的随机参数或拉普拉斯分布的随机参数。然后用高斯分布的随机参数或拉普拉斯分布的随机参数对RNN网络的全部权重进行随机赋值，即用高斯分布的随机参数随机替换RNN网络的全部权重。所述RNN网络为循环神经网络(Recurrent Neural Network,RNN)。所述RNN网络用于实现特征记忆和融合功能。其中，RNN网络的设计，需要结合性能的需求决定RNN网络中隐含层的数量，输入数据的维度需要保持和被融合的特征维度一致，输出特征的维度可以和输入数据保持一致，也可以升维或者降维。
步骤S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征。
具体地，所述将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征包括：按照以下公式将特征输入RNN网络：
feat′n＝F(feat′n-1，featn)＝F(F(feat′n-2，featn-1)，featn)
feat′0＝F(feat0)＝feat0
其中，feat0为某一目标数据的第0号特征，feat′0为某一目标数据的第0号输出特征，featn为某一目标数据的第n号特征，feat′n为某一目标数据的第n号输出特征。即某一目标数据的第0号特征feat0作为输入特征输入RNN网络获得输出特征feat′0。然后，将输出特征feat′0和某一目标数据的第1号特征feat1作为输入特征输入RNN网络获得输出特征feat′1。然后将输出特征feat′1和某一目标数据的第2号特征feat2作为输入特征输入RNN网络获得输出特征feat′2。通过数据融合的方式，在数据库内一个目标仅用一条融合后特征可以表达，可以降低数据录入特征数据的增速，以此来提升匹配识别的性能和数据库的库容。数据库中目标的录入特征会不断的进行融合更新，在融合的过程中，新生成的特征除了包含该目标已见特征的主要共性特征外，拓展了一些可变的非共性特征，即在融合更新的过程中，新生成的融合特征较单条特征而言，使RNN网络具备更强的识别能力和精度。如图1c所示进行特征融合。
步骤S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新。
具体地，所述进行loss计算包括：
loss＝|AP|-|AN|+α；
其中：M表示目标数据的个数；N表示目标数据的特征的预设数量；dist为距离函数；i表示第i个目标数据，j表示目标数据的第j个特征；feati，j表示第i个目标数据的第j个特征；feat′i，j表示第i个目标数据的第j个输出特征，α为常数。AP依赖于目标数据所包含特征互相之间的距离平均值，以此可以确保输出特征依赖于该目标的大多数特征，当匹配识别出的结果低概率错误时，融合会一定程度上对该错误结果进行抑制，因错误结果属于小量数据。
具体地，所述距离函数包括：欧式距离函数，余弦距离函数，马氏距离函数。
具体地，按照更新规则基于loss值对RNN网络的全部权重进行更新包括：对网络进行反向传播，通过偏微分计算各网络层的参数梯度，根据学利率和动量对当前网络的全部权重进行更新。
步骤S15、重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
具体地，即重复步骤S11、S13和S14判断获得的loss值是否符合预设loss值规则。当获得的loss值符合预设loss值规则时，按照更新规则基于loss值对RNN网络的全部权重进行更新。重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则包括：记录每次重复步骤S11、S13和S14获得的loss值，直到获得的loss值在一定重复步骤S11、S13和S14后无明显下降时，此时获得的loss值符合预设loss值规则。按照更新规则基于loss值对RNN网络的全部权重进行更新。
如图2所示，于一实施例中，本发明的目标识别特征融合的系统，包括获取模块21、赋值模块22、输入模块23、loss计算模块24和重复模块25。
所述获取模块21用于获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；
所述赋值模块22用于根据随机参数生成法对RNN网络的全部权重进行随机赋值；
所述输入模块23用于将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；
所述loss计算模块24用于当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；
所述重复模块21用于重复获取模块21、输入模块23、loss计算模块24的内容直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
需要说明的是，获取模块21、赋值模块22、输入模块23、loss计算模块24和重复模块25的结构和原理与上述目标识别特征融合的方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Micro Processor Uint，简称MPU)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述目标识别特征融合的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
如图3所示，于一实施例中，本发明的目标识别特征融合装置包括：处理器31和存储器32；所述存储器32用于存储计算机程序；所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述目标识别特征融合装置执行任一所述的目标识别特征融合的方法。
具体地，所述存储器32包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地，所述处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
综上所述，本发明目标识别特征融合的方法、系统、介质及装置，用于训练得到RNN网络能在融合新的目标识别特征的同时，减少因融合特征带来的识别错误、防止识别速度降低。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种目标识别特征融合的方法，其特征在于，包括以下步骤：
步骤S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；
步骤S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值；
步骤S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征，其中，将所述每个数据包含的特征按照预设输入规则输入RNN网络的公式包括：
feat′n＝F(feat′n-1，featn)＝F(F(feat′n-2，featn-1)，featn)
feat′0＝F(feat0)＝feat0
其中，feat0为某一目标数据的第0号特征，feat′0为某一目标数据的第0号输出特征，featn为某一目标数据的第n号特征，feat′n为某一目标数据的第n号输出特征；
步骤S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；
步骤S15、重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
2.根据权利要求1所述的目标识别特征融合的方法，其特征在于，所述随机参数生成法包括：生成高斯分布的随机参数或拉普拉斯分布的随机参数。
3.根据权利要求1所述的目标识别特征融合的方法，其特征在于，所述进行loss计算包括：
loss＝|AP|-|AN|+α；
其中：M表示目标数据的个数；N表示目标数据的特征的预设数量；dist为距离函数；i表示第i个目标数据，j表示目标数据的第j个特征；feati,j表示第i个目标数据的第j个特征；feat′i,j表示第i个目标数据的第j个输出特征，α为常数。
4.根据权利要求3所述的目标识别特征融合的方法，其特征在于，所述距离函数包括：欧式距离函数，余弦距离函数，马氏距离函数。
5.根据权利要求1所述的目标识别特征融合的方法，其特征在于，按照更新规则基于loss值对RNN网络的全部权重进行更新包括：对网络进行反向传播，通过偏微分计算各网络层的参数梯度，根据学利率和动量对当前网络的全部权重进行更新。
6.根据权利要求1所述的目标识别特征融合的方法，其特征在于，重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则包括：记录每次重复步骤S11、S13和S14获得的loss值，直到获得的loss值在一定重复步骤S11、S13和S14后无明显下降时，此时获得的loss值符合预设loss值规则。
7.一种目标识别特征融合的系统，其特征在于，包括：获取模块、赋值模块、输入模块、loss计算模块和重复模块；
所述获取模块用于获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；
所述赋值模块用于根据随机参数生成法对RNN网络的全部权重进行随机赋值；
所述输入模块用于将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征，其中，将所述每个数据包含的特征按照预设输入规则输入RNN网络的公式包括：
feat′n＝F(feat′n-1，featn)＝F(F(feat′n-2，featn-1)，featn)
feat′0＝F(feat0)＝feat0
其中，feat0为某一目标数据的第0号特征，feat′0为某一目标数据的第0号输出特征，featn为某一目标数据的第n号特征，feat′n为某一目标数据的第n号输出特征；
所述loss计算模块用于当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；
所述重复模块用于重复获取模块、输入模块、loss计算模块的内容直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至6中任一项所述目标识别特征融合的方法。
9.一种目标识别特征融合装置，其特征在于，包括：处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述目标识别特征融合装置执行权利要求1至6中任一项所述的目标识别特征融合的方法。
CN202010784067.4A 2020-08-06 2020-08-06 目标识别特征融合的方法、系统、介质及装置 Active CN112036446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010784067.4A CN112036446B (zh) 2020-08-06 2020-08-06 目标识别特征融合的方法、系统、介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010784067.4A CN112036446B (zh) 2020-08-06 2020-08-06 目标识别特征融合的方法、系统、介质及装置

Publications (2)

Publication Number Publication Date
CN112036446A CN112036446A (zh) 2020-12-04
CN112036446B true CN112036446B (zh) 2023-12-12

Family

ID=73582915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010784067.4A Active CN112036446B (zh) 2020-08-06 2020-08-06 目标识别特征融合的方法、系统、介质及装置

Country Status (1)

Country Link
CN (1) CN112036446B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743308B (zh) * 2021-09-06 2023-12-12 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056628A (zh) * 2016-05-30 2016-10-26 中国科学院计算技术研究所 基于深度卷积神经网络特征融合的目标跟踪方法及系统
CN107145845A (zh) * 2017-04-26 2017-09-08 中山大学 基于深度学习及多特征点融合的行人检测方法
CN108229336A (zh) * 2017-12-13 2018-06-29 北京市商汤科技开发有限公司 视频识别及训练方法和装置、电子设备、程序和介质
CN109376615A (zh) * 2018-09-29 2019-02-22 苏州科达科技股份有限公司 用于提升深度学习网络预测性能的方法、装置及存储介质
CN109934197A (zh) * 2019-03-21 2019-06-25 深圳力维智联技术有限公司 人脸识别模型的训练方法、装置和计算机可读存储介质
CN110287880A (zh) * 2019-06-26 2019-09-27 西安电子科技大学 一种基于深度学习的姿态鲁棒性人脸识别方法
CN110363150A (zh) * 2019-07-16 2019-10-22 深圳市商汤科技有限公司 数据更新方法及装置、电子设备和存储介质
CN110853668A (zh) * 2019-09-06 2020-02-28 南京工程学院 基于多种特征融合的语音篡改检测方法
CN111191526A (zh) * 2019-12-16 2020-05-22 汇纳科技股份有限公司 行人属性识别网络训练方法、系统、介质及终端
WO2020108357A1 (zh) * 2018-11-26 2020-06-04 华为技术有限公司 一种程序分类模型训练方法、程序分类方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878173B2 (en) * 2018-11-29 2020-12-29 Adobe Inc. Object recognition and tagging based on fusion deep learning models

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056628A (zh) * 2016-05-30 2016-10-26 中国科学院计算技术研究所 基于深度卷积神经网络特征融合的目标跟踪方法及系统
CN107145845A (zh) * 2017-04-26 2017-09-08 中山大学 基于深度学习及多特征点融合的行人检测方法
CN108229336A (zh) * 2017-12-13 2018-06-29 北京市商汤科技开发有限公司 视频识别及训练方法和装置、电子设备、程序和介质
CN109376615A (zh) * 2018-09-29 2019-02-22 苏州科达科技股份有限公司 用于提升深度学习网络预测性能的方法、装置及存储介质
WO2020108357A1 (zh) * 2018-11-26 2020-06-04 华为技术有限公司 一种程序分类模型训练方法、程序分类方法及装置
CN109934197A (zh) * 2019-03-21 2019-06-25 深圳力维智联技术有限公司 人脸识别模型的训练方法、装置和计算机可读存储介质
CN110287880A (zh) * 2019-06-26 2019-09-27 西安电子科技大学 一种基于深度学习的姿态鲁棒性人脸识别方法
CN110363150A (zh) * 2019-07-16 2019-10-22 深圳市商汤科技有限公司 数据更新方法及装置、电子设备和存储介质
CN110853668A (zh) * 2019-09-06 2020-02-28 南京工程学院 基于多种特征融合的语音篡改检测方法
CN111191526A (zh) * 2019-12-16 2020-05-22 汇纳科技股份有限公司 行人属性识别网络训练方法、系统、介质及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李白燕 ; 李平 ; .目标跟踪中目标匹配的特征融合算法研究.电子设计工程.2013,(第12期),1-10. *

Also Published As

Publication number Publication date
CN112036446A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
WO2019100723A1 (zh) 训练多标签分类模型的方法和装置
WO2019100724A1 (zh) 训练多标签分类模型的方法和装置
CN106358444B (zh) 用于面部验证的方法和系统
CN112639828A (zh) 数据处理的方法、训练神经网络模型的方法及设备
CN114332545B (zh) 一种基于低比特脉冲神经网络的图像数据分类方法和装置
CN113313053B (zh) 图像处理方法、装置、设备、介质及程序产品
CN109063776B (zh) 图像再识别网络训练方法、装置和图像再识别方法及装置
US11568212B2 (en) Techniques for understanding how trained neural networks operate
JP6107531B2 (ja) 特徴抽出プログラム及び情報処理装置
CN110009662B (zh) 人脸跟踪的方法、装置、电子设备及计算机可读存储介质
CN111126249A (zh) 一种大数据和贝叶斯相结合的行人重识别方法及装置
CN113705596A (zh) 图像识别方法、装置、计算机设备和存储介质
CN111104911A (zh) 一种基于大数据训练的行人重识别方法及装置
CN111325276A (zh) 图像分类方法及装置、电子设备、计算机可读存储介质
CN114155388B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN112036446B (zh) 目标识别特征融合的方法、系统、介质及装置
JP2019197445A (ja) 画像認識装置、画像認識方法、およびプログラム
US11429771B2 (en) Hardware-implemented argmax layer
CN112257689A (zh) 人脸识别模型的训练和识别方法、存储介质及相关设备
CN116958809A (zh) 一种特征库迁移的遥感小样本目标检测方法
IL274559B1 (en) A system and method for learning from a small number of examples
CN117975184A (zh) 图像识别模型的训练方法及图像识别方法
CN110826726B (zh) 目标处理方法、目标处理装置、目标处理设备及介质
CN113962221A (zh) 一种文本摘要的提取方法、装置、终端设备和存储介质
Shankarampeta et al. Few-Shot Class Incremental Learning with Generative Feature Replay.

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
CB02 Change of applicant information

Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant after: Winner Technology Co.,Ltd.

Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai

Applicant before: Winner Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant