CN113822199B - 对象属性识别方法、装置、存储介质和电子装置 - Google Patents

对象属性识别方法、装置、存储介质和电子装置 Download PDF

Info

Publication number
CN113822199B
CN113822199B CN202111116328.6A CN202111116328A CN113822199B CN 113822199 B CN113822199 B CN 113822199B CN 202111116328 A CN202111116328 A CN 202111116328A CN 113822199 B CN113822199 B CN 113822199B
Authority
CN
China
Prior art keywords
attribute
historical
image
processed
features
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
CN202111116328.6A
Other languages
English (en)
Other versions
CN113822199A (zh
Inventor
李禹�
孙鹤
潘华东
殷俊
张兴明
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202111116328.6A priority Critical patent/CN113822199B/zh
Publication of CN113822199A publication Critical patent/CN113822199A/zh
Application granted granted Critical
Publication of CN113822199B publication Critical patent/CN113822199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/25—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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种对象属性识别方法、装置、存储介质和电子装置，其中，该方法包括：获取待处理图像，其中，待处理图像中包含待处理对象；基于训练后的属性识别模型，对待处理对象的至少两个对象属性进行识别，获得待处理对象的至少两个对象属性的属性识别结果；其中：属性识别模型是基于历史属性关联特征和包含历史对象的历史图像进行训练得到的，历史属性关联特征是基于历史对象的至少两个对象属性的属性类别之间的关联关系确定的。通过本发明，解决了相关技术中存在的对象属性识别准确率较低的问题，进而达到了提高对象属性识别准确率的效果。

Description

对象属性识别方法、装置、存储介质和电子装置
技术领域
本发明实施例涉及计算机领域，具体而言，涉及一种对象属性识别方 法、装置、存储介质和电子装置。
背景技术
近年来，随着信息化技术的快速发展，视频结构化已成为视频监控技 术中的标配。视频结构化是一种基于视频内容信息提取关键目标(比如： 车辆、行人等)的技术，它对视频内容按照语义关系，采用时空分割、特 征提取、对象识别等处理手段，组织成可供计算机和人类理解的结构化信 息的技术。其中，对视频中对象的属性进行识别是视频结构化重要的一个 功能模块，其能够从监控视频中预测对象的各个属性标签，如行人的年龄、 性别和服装款式等，车辆的品牌，年限等，其可用于视频感知世界的智慧 应用。因此，对象属性识别可嵌入到对象重识别、对象检测等视频监控应 用程序中。
现有的对象属性识别方案中所使用的对象属性特征数量较少，维度较 为单一，缺少特征的丰富性。使用这样的对象属性特征训练出的识别模型 也就无法达到理想的识别性能，导致对象属性识别的准确率较低。
针对相关技术中存在的对象属性识别准确率较低的问题，目前尚未提 出有效的解决方案。
发明内容
本发明实施例提供了一种对象属性识别方法、装置、存储介质和电子 装置，以至少解决相关技术中存在的对象属性识别准确率较低的问题。
根据本发明的一个实施例，提供了一种对象属性识别方法，其特征在 于，包括：获取待处理图像，其中，所述待处理图像中包含待处理对象； 基于训练后的属性识别模型，对所述待处理对象的至少两个对象属性进行 识别，获得所述待处理对象的至少两个对象属性的属性识别结果；其中： 所述属性识别模型是基于历史属性关联特征和包含历史对象的历史图像 进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少两个 对象属性的属性类别之间的关联关系确定的。
在一个示例性实施例中，在所述对所述待处理对象的至少两个对象属 性进行识别之前，所述方法还包括：获取包含所述历史对象的历史图像， 其中，所述历史图像中标注有所述历史对象的至少两个对象属性的属性类 别；对所述历史对象的至少两个对象属性的属性类别进行关联特征提取， 得到所述历史属性关联特征；以及，对所述历史图像进行属性特征提取， 得到待处理图像特征；基于所述历史属性关联特征和所述待处理图像特征，对所述属性识别模型进行训练。
在一个示例性实施例中，所述基于所述历史属性关联特征和所述待处 理图像特征，对所述属性识别模型进行训练，包括：对所述历史属性关联 特征和所述待处理图像特征进行加权求和，得到融合特征；基于所述融合 特征与所述历史图像中所标注的历史对象的至少两个对象属性的属性类 别之间的函数关系，对初始的所述属性识别模型进行训练，得到训练后的 所述属性识别模型。
在一个示例性实施例中，所述基于所述融合特征与所述历史图像中所 标注的历史对象的至少两个对象属性的属性类别之间的函数关系，对初始 的所述属性识别模型进行训练，得到训练后的所述属性识别模型，包括： 基于所述函数关系与初始的所述属性识别模型对应的收敛条件，对初始的 所述属性识别模型的目标模型参数进行调整，直至所述函数关系满足所述 收敛条件，其中，初始的所述属性识别模型包括初始的关联属性提取层， 初始的图像特征提取层，初始的特征融合层，所述关联属性提取层用于进 行关联特征提取，所述图像特征提取层用于进行图像特征提取，所述特征 融合层用于进行特征融合，所述目标模型参数至少包括所述图像特征提取 层的模型参数；至少将训练后的所述图像特征提取层确定为训练后的所述 属性识别模型。
在一个示例性实施例中，对所述历史对象的至少两个对象属性的属性 类别进行关联特征提取，得到所述历史属性关联特征；以及，对所述历史 图像进行属性特征提取，得到待处理图像特征，包括：将所述历史图像中 所标注的历史对象的至少两个对象属性的属性类别输入初始的所述属性 识别模型包括的初始的关联属性提取层，得到初始的所述关联属性提取层 输出的数据作为所述历史属性关联特征；以及，将所述历史图像输入初始的所述属性识别模型包括的初始的图像特征提取层，得到初始的所述图像 特征提取层输出的数据作为所述待处理图像特征。
在一个示例性实施例中，所述将所述历史图像中所标注的历史对象的 至少两个对象属性的属性类别输入初始的所述属性识别模型包括的初始 的关联属性提取层，得到初始的所述关联属性提取层输出的数据作为所述 历史属性关联特征，包括：通过初始的所述关联属性提取层对所述历史图 像中所标注的历史对象的至少两个对象属性的属性类别进行特征提取，得 到历史属性特征；通过初始的所述关联属性提取层建立所述历史属性特征 之间的关联关系，得到所述历史属性关联特征。
在一个示例性实施例中，所述建立所述历史属性特征之间的关联关 系，得到所述历史属性关联特征，包括：构造目标因子分解机，其中，所 述目标因子分解机中包括用于描述特征之间的交叉关系的多项式；将所述 历史属性特征输入所述目标因子分解机中，得到所述目标因子分解机输出 的数据作为所述历史属性关联特征。
根据本发明的又一个实施例，还提供了一种对象属性识别装置，包括： 第一获取模块，用于获取待处理图像，其中，所述待处理图像中包含待处 理对象；识别模块，用于基于训练后的属性识别模型，对所述待处理对象 的至少两个对象属性进行识别，获得所述待处理对象的至少两个对象属性 的属性识别结果；其中：所述属性识别模型是基于历史属性关联特征和包 含历史对象的历史图像进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少两个对象属性的属性类别之间的关联关系确定的。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所 述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设 置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和 处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述 计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，获取待处理图像，其中，待处理图像中包含待处理对象； 基于训练后的属性识别模型，对待处理对象的至少两个对象属性进行识 别，获得待处理对象的至少两个对象属性的属性识别结果；其中：属性识 别模型是基于历史属性关联特征和包含历史对象的历史图像进行训练得 到的，历史属性关联特征是基于历史对象的至少两个对象属性的属性类别 之间的关联关系确定的，即，对于获取到的包含待处理对象的待处理图像， 基于训练后的属性识别模型对其中包含的待处理对象的至少两个对象属 性进行识别，从而获得待处理对象的至少两个对象属性的属性识别结果， 该训练后的属性识别模型是基于历史属性关联特征和包含历史对象的历 史图像进行训练得到的，而历史属性关联特征是基于历史对象的至少两个 对象属性的属性类别之间的关联关系确定的，因此，属性识别模型的训练 过程中使用的历史属性关联特征融合了历史对象的至少两个对象属性的 属性类别之间的关联关系，使得历史对象的特征维度更加丰富，信息更加 全面，使用历史属性关联特征和包含历史对象的历史图像对属性识别模型 进行训练，使得在训练过程中能够充分利用对象属性以及对象属性的属性 类别之间的关联关系，增强了对象特征的鲁棒性和判别性，使训练得到的 属性识别模型具有更优的鲁棒性，更高的准确率。因此，解决了相关技术 中存在的对象属性识别准确率较低的问题，达到了提高对象属性识别准确 率的效果。
附图说明
图1是本发明实施例的对象属性识别方法的移动终端硬件结构框图；
图2是根据本发明实施例的对象属性识别方法的流程图；
图3是根据本发明实施例的对象属性识别过程中特征融合方式的示意 图；
图4是根据本发明实施例的对象属性识别系统的示意图；
图5是根据本发明实施例的对象属性识别装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语 “第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序 或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或 者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施 例的对象属性识别方法的移动终端硬件结构框图。如图1所示，移动终端 可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以 包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用 于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能 的传输设备106以及输入输出设备108。本领域普通技术人员可以理解， 图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如， 移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所 示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及 模块，如本发明实施例中的对象属性识别方法对应的计算机程序，处理器 102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用 以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器， 还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其 他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于 处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动 终端。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体 实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输 装置106包括一个网络适配器(Network Interface Controller，简称为 NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一 个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模 块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种对象属性识别方法，图2是根据本发明实施 例的对象属性识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取待处理图像，其中，所述待处理图像中包含待处理对 象；
步骤S204，基于训练后的属性识别模型，对所述待处理对象的至少两 个对象属性进行识别，获得所述待处理对象的至少两个对象属性的属性识 别结果；其中：
所述属性识别模型是基于历史属性关联特征和包含历史对象的历史 图像进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少 两个对象属性的属性类别之间的关联关系确定的。
通过上述步骤，对于获取到的包含待处理对象的待处理图像，基于训 练后的属性识别模型对其中包含的待处理对象的至少两个对象属性进行 识别，从而获得待处理对象的至少两个对象属性的属性识别结果，该训练 后的属性识别模型是基于历史属性关联特征和包含历史对象的历史图像 进行训练得到的，而历史属性关联特征是基于历史对象的至少两个对象属 性的属性类别之间的关联关系确定的，因此，属性识别模型的训练过程中使用的历史属性关联特征融合了历史对象的至少两个对象属性的属性类 别之间的关联关系，使得历史对象的特征维度更加丰富，信息更加全面， 使用历史属性关联特征和包含历史对象的历史图像对属性识别模型进行 训练，使得在训练过程中能够充分利用对象属性以及对象属性的属性类别 之间的关联关系，增强了对象特征的鲁棒性和判别性，使训练得到的属性 识别模型具有更优的鲁棒性，更高的准确率。因此，解决了相关技术中存 在的对象属性识别准确率较低的问题，达到了提高对象属性识别准确率的 效果。
在上述步骤S202提供的技术方案中，上述待处理图像可以但不限于 包括：照片，图片，视频帧等等。比如：监控视频中的视频帧，监控照相 机拍摄的监控照片，影视综艺短视频等视频文件中的视频帧等等。
可选地，在本实施例中，上述待处理对象可以但不限于包括任何需要 进行识别的目标，比如：行人，车辆，动物，植物，家居设备，家用电器 等等。
可选地，在本实施例中，上述待处理图像可以但不限于通过接收摄像 机拍摄的视频流，接收照相机拍摄的照片，接收视频文件等方式来获取。
在上述步骤S204提供的技术方案中，可以通过将待处理图像输入到 训练后的属性识别模型中来对待处理图像中所包含的待处理对象的至少 两个对象属性进行识别，从而得到训练后的属性识别模型输出的待处理对 象的至少两个对象属性的属性识别结果。
可选地，在本实施例中，对象属性可以但不限于指对象的特征，比如： 行人的头发，衣服，五官，体态等等，车辆的车牌，车身，车轮等等，宠 物的皮毛，体态，五官等等。
可选地，在本实施例中，对象属性的属性类别可以但不限于指对象的 特征的类别。比如：行人的头发的对象属性可以但不限于包括头发的长度， 头发的颜色，头发的卷度等等属性类别，行人的衣服的对象属性可以但不 限于包括衣服的颜色，衣服的风格，衣服的材料等等属性类别，车辆的车 牌的对象属性可以但不限于包括车牌的颜色，车牌的尺寸，车牌的内容等 等属性类别。
可选地，在本实施例中，用于训练模型的历史图像中包含了历史对象， 模型的训练过程可以但不限于为有监督的训练过程，即历史图像中包括的 历史对象均标注了历史对象的至少两个对象属性的属性类别。
可选地，在本实施例中，历史属性关联特征是基于历史对象的至少两 个对象属性的属性类别之间的关联关系确定的，比如：对于行人来说，头 发的长度和头发的卷度之间的关联关系，头发的长度和衣服的颜色之间的 关联关系，头发的长度和衣服的款式之间的关联关系，衣服的颜色和身高 之间的关联关系等等。
在一个可选的实施例中，在上述步骤S204之前，可以但不限于通过 以下方式训练属性识别模型：获取包含所述历史对象的历史图像，其中， 所述历史图像中标注有所述历史对象的至少两个对象属性的属性类别；对 所述历史对象的至少两个对象属性的属性类别进行关联特征提取，得到所 述历史属性关联特征；以及，对所述历史图像进行属性特征提取，得到待 处理图像特征；基于所述历史属性关联特征和所述待处理图像特征，对所 述属性识别模型进行训练。
可选地，在本实施例中，对历史图像上标注的内容进行关联特征提取 能够建立属性类别之间的关联关系，从而增加对象特征的丰富性，从多个 维度展示历史对象的特征，这部分从历史图像上标注的内容中提取的历史 属性关联特征可以但不限于称为低阶特征。
可选地，在本实施例中，对历史图像进行属性特征提取，可以提取出 历史图像中历史对象所具有对象属性的属性类别，从而得到待处理图像特 征，这部分从历史图像中提取的待处理图像特征可以但不限于称为高阶特 征。
可选地，在本实施例中，基于历史属性关联特征和待处理图像特征对 属性识别模型进行训练的方式可以但不限于包括直接将历史属性关联特 征和待处理图像特征输入到属性识别模型中对其进行训练，或者也可以首 先将二者进行融合，得到融合特征，再将融合特征输入到属性识别模型中 对其进行训练。
可选地，在本实施例中，可以但不限于通过以下方式获取包含历史对 象的历史图像：从对象视频中检测所述对象视频中出现的多个对象；根据 所述多个对象中每个对象在所述对象视频中出现的轨迹信息计算所述每 个对象对应的对象质量参数，其中，所述对象质量参数用于指示所述每个 对象在所述对象视频中的图像质量；从所述多个对象中获取所述对象质量 参数最高的第一数量的历史对象；从所述对象视频中获取所述第一数量的历史对象中每个历史对象出现的视频图像，得到第二数量的历史图像；获 取所述第二数量的历史图像中每个历史图像上历史对象的至少两个对象 属性的属性类别，从而得到包含历史对象的历史图像。
可选地，在本实施例中，对象视频可以但不限于是通过前端的摄像设 备拍摄的对象视频，从对象视频中可以检测到设备拍摄到的对象，对于每 个对象进行图像质量的评估，得到每个对象对应的对象质量参数，依据该 对象质量参数挑选出一定数量的对象作为历史对象，从对象视频中获取每 个历史对象的视频图像作为历史图像，再为历史图像进行历史对象的至少 两个对象属性的属性类别的标注，从而得到包含历史对象的历史图像。
通过上述过程，同时基于上述低阶特征和高阶特征对属性识别模型进 行训练，能够丰富训练特征的维度和表达的信息，属性识别模型可以利用 更加丰富的特征信息快速学习到识别目标，从而使得训练后的属性识别模 型能够到达更高的识别准确率，并且学习过程可以更加快速地收敛，也能 够减少训练时间，从而提高模型训练的效率。
在一个可选的实施例中，可以但不限于采用以下方式基于历史属性关 联特征和待处理图像特征对属性识别模型进行训练：对所述历史属性关联 特征和所述待处理图像特征进行加权求和，得到融合特征；基于所述融合 特征与所述历史图像中所标注的历史对象的至少两个对象属性的属性类 别之间的函数关系，对初始的所述属性识别模型进行训练，得到训练后的 所述属性识别模型。
可选地，在本实施例中，可以但不限于采用加权求和的方式对历史属 性关联特征和待处理图像特征进行融合。
可选地，在本实施例中，采用加权求和的方式对历史属性关联特征和 待处理图像特征进行融合可以但不限于通过对二者中相应元素计算加权 和来实现。每个元素所对应的权重可以但不限于通过元素对于行人属性识 别结果的影响或者重要性来确定，影响越大重要性越高的元素可以分配较 大的权重。
可选地，在本实施例中，也可以但不限于采用其他特征融合的方式对 历史属性关联特征和待处理图像特征进行融合，比如：特征融合函数，特 征融合算法，特征融合模型等等方式，在本实施例中不作限定。
可选地，在本实施例中，可以但不限于预先根据需求构建特征融合函 数，将所得的对应元素代入到预先设置的特征融合函数，并将函数的输出 数据作为融合特征。
可选地，在本实施例中，将融合特征作为训练过程中模型的输入，将 历史图像中所标注的历史对象的至少两个对象属性的属性类别作为训练 过程的监督信息，利用二者之间的函数关系对初始的属性识别模型进行训 练，从而得到训练后的属性识别模型。
可选地，在本实施例中，融合特征与历史图像中所标注的历史对象的 至少两个对象属性的属性类别之间的函数关系可以但不限于通过将二者 代入到属性识别模型对应的损失函数中来确定。
在一个可选的实施例中，可以但不限于通过以下方式基于融合特征与 历史图像中所标注的历史对象的至少两个对象属性的属性类别之间的函 数关系，对初始的属性识别模型进行训练，得到训练后的属性识别模型： 基于所述函数关系与初始的所述属性识别模型对应的收敛条件，对初始的 所述属性识别模型的目标模型参数进行调整，直至所述函数关系满足所述 收敛条件，其中，初始的所述属性识别模型包括初始的关联属性提取层，初始的图像特征提取层，初始的特征融合层，所述关联属性提取层用于进 行关联特征提取，所述图像特征提取层用于进行图像特征提取，所述特征 融合层用于进行特征融合，所述目标模型参数至少包括所述图像特征提取 层的模型参数；至少将训练后的所述图像特征提取层确定为训练后的所述 属性识别模型。
可选地，在本实施例中，构建的初始的属性识别模型的模型结构可以 但不限于包括初始的关联属性提取层，初始的图像特征提取层，初始的特 征融合层，其中的关联属性提取层用于进行关联特征提取，图像特征提取 层用于进行图像特征提取，特征融合层用于进行特征融合。初始的关联属 性提取层和初始的图像特征提取层分别与初始的特征融合层连接，从而通 过特征融合层来对提取出的两种特征进行融合。
可选地，在本实施例中，上述目标模型参数可以但不限于至少包括图 像特征提取层的模型参数。训练后的属性识别模型至少为训练后的图像特 征提取层。或者，上述目标模型参数不仅包括图像特征提取层的模型参数， 还包括关联属性提取层的模型参数和特征融合层的模型参数。训练后的属 性识别模型可以仅为训练后的图像特征提取层，也可以包括训练后的关联 属性提取层以及训练后的特征融合层。
可选地，在本实施例中，训练后的所述属性识别模型可以但不限于仅 包括训练后的图像特征提取层，从而使得对象属性识别场景中部署的识别 模型能够更加简洁，占用更少的资源，更加容易进行部署，也能够更快地 识别对象属性，提高属性识别的速度。
在一个可选的实施例中，可以但不限于通过以下方式对历史对象的至 少两个对象属性的属性类别进行关联特征提取，得到历史属性关联特征； 以及，对历史图像进行属性特征提取，得到待处理图像特征：将所述历史 图像中所标注的历史对象的至少两个对象属性的属性类别输入初始的所 述属性识别模型包括的初始的关联属性提取层，得到初始的所述关联属性 提取层输出的数据作为所述历史属性关联特征；以及，将所述历史图像输入初始的所述属性识别模型包括的初始的图像特征提取层，得到初始的所 述图像特征提取层输出的数据作为所述待处理图像特征。
可选地，在本实施例中，可以但不限于使用上述初始的关联属性提取 层对历史属性关联特征进行提取，使用上述初始的图像特征提取层对待处 理图像特征进行提取。
可选地，在本实施例中，上述初始的图像特征提取层可以但不限于采 用卷积神经网络等具有图像特征提取功能的网络结构。上述初始的关联属 性提取层可以但不限于采用支持向量机、机器学习算法等具有特征之间交 叉信息提取功能的网络结构。
在一个可选的实施例中，可以但不限于通过以下方式得到初始的关联 属性提取层输出的数据作为历史属性关联特征：通过初始的所述关联属性 提取层对所述历史图像中所标注的历史对象的至少两个对象属性的属性 类别进行特征提取，得到历史属性特征；通过初始的所述关联属性提取层 建立所述历史属性特征之间的关联关系，得到所述历史属性关联特征。
可选地，在本实施例中，对历史图像中所标注的历史对象的至少两个 对象属性的属性类别进行特征提取得到历史属性特征的过程可以但不限 于采用编码和密集嵌入来实现。比如：对历史对象的至少两个对象属性的 属性类别分别进行编码，再将编码后的数据变换成密集矩阵来表示历史属 性特征。
可选地，在本实施例中，上述编码的方式可以但不限于包括one-hot 编码，利用one-hot编码使得每个属性类别形成一个向量，全部的属性信 息可组合成二维数组，即可作为稀疏特征。
可选地，在本实施例中，上述密集嵌入的方式可以但不限于包括 Embedding网络结构的方式。Embedding网络结构将输入的稀疏矩阵，通 过一些线性变换变成了一个密集矩阵作为历史属性特征。
可选地，在本实施例中，建立历史属性特征之间的关联关系可以但不 限于通过在密集矩阵中添加特征之间的交叉信息的方式来实现，从而得到 历史属性关联特征。
在一个可选的实施例中，可以但不限于通过以下方式建立历史属性特 征之间的关联关系，得到历史属性关联特征：构造目标因子分解机，其中， 所述目标因子分解机中包括用于描述特征之间的交叉关系的多项式；将所 述历史属性特征输入所述目标因子分解机中，得到所述目标因子分解机输 出的数据作为所述历史属性关联特征。
可选地，在本实施例中，可以但不限于采用因子分解机等方式来建立 特征之间的交叉信息。
可选地，在本实施例中，通过因子分解机的方式在线性模型的基础上 添加一个多项式，用于描述特征之间的二阶交叉，提高特征的表达能力。 可以但不限于采用以下方式得到目标因子分解机：初始的因子分解机可以 表示为
Figure BDA0003275460440000131
其中，n表示一个样本的特征个数，wij是特征组合对应的权重。由于经过one-hot处理的数据非常稀疏，能够保 证两者都非0的组合较少，导致大部分参数难以得到充分训练，因此在上述初始的因子分解机的基础上，对每个特征分量xi引入k维(k<<n)辅助 向量vi，每个特征对应一个辅助向量，总共n个辅助向量，然后利用向量 内积的结果来表示原来的组合参数，于是可将上述初始的因子分解机改写 为：/>
Figure BDA0003275460440000132
为了降低算法复杂度，可将上述多项式 化简为：/>
Figure BDA0003275460440000133
最终得到可以描述特征 之间的交叉关系的上述多项式，从而构造出目标因子分解机，将上述密集特征输入目标因子分解机，可得到历史属性关联特征。
在一个可选的实施方式中，图3是根据本发明实施例的对象属性识别 过程中特征融合方式的示意图，如图3所示，历史对象的至少两个对象属 性的每个属性类别经过one-hot编码形成一个向量，从而得到二维数组作 为稀疏特征。稀疏特征通过Embedding的方式进行密集嵌入，得到密集特 征。将密集特征输入因子分解机中，将因子分解机的输出数据作为历史属 性关联特征。相应的历史图像(Image)输入到卷积神经网络中，得到其 输出的待处理图像特征。将获取的历史属性关联特征与待处理图像特征对 应元素进行加权和运算，得到融合特征。得到的融合特征即可输入到输出 层(Output)进行模型的训练。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全 部的实施例。
下面结合实施例对本发明进行具体说明：
图4是根据本发明实施例的对象属性识别系统的示意图，如图4所示， 以上述待处理对象为行人为例，对象属性识别系统相当于行人属性识别系 统。该行人属性识别系统中可以但不限于包括前端行人视频模块，行人检 测模块，行人跟踪模块，行人优选模块和行人属性识别模块。前端行人视 频模块用于拍摄获取行人视频。行人检测模块用于当检测到行人视频中出 现行人时，根据指定帧率采集前端行人视频设备获取的完整图像，并根据行人检测算法获得采集图像中的每个行人的坐标。行人跟踪模块则用于根 据获取到的行人的坐标，根据行人跟踪算法获得每个行人在整个视频中出 现的生命周期的坐标，得到行人视频中每个行人出现的轨迹信息。行人优 选模块用于根据获取到的行人视频中每个行人出现的轨迹信息，评估每个 行人在视频中的图像质量，根据优选算法对每个行人的图像质量进行计 算，得到行人质量参数，并依据行人质量参数对行人进行挑选，选出行人 质量参数较高的部分行人作为历史行人，从行人视频中获取历史行人中每 个历史行人出现的视频图像，得到历史图像，并获取每个历史图像中历史 对象的至少两个对象属性的属性类别，如头发的长度、头发的颜色和服装 的款式，服装的颜色等，最终得到包含历史行人的历史图像。行人属性识 别模块首先对历史行人的至少两个对象属性的属性类别进行关联特征提 取，得到历史属性关联特征；以及，对历史图像进行属性特征提取，得到 待处理图像特征，再基于历史属性关联特征和待处理图像特征，对初始的 行人属性识别模型进行训练，得到训练后的行人属性识别模型，使用训练 后的行人属性识别模型对获取到的需要识别行人属性的待处理图像进行 行人属性识别，来获得待处理图像中包含的待处理行人的至少两个对象属 性的属性识别结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根 据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当 然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理 解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软 件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以 是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述 的方法。
在本实施例中还提供了一种对象属性识别装置，图5是根据本发明实 施例的对象属性识别装置的结构框图，如图5所示，该装置包括：
第一获取模块52,用于获取待处理图像，其中，所述待处理图像中包 含待处理对象；
识别模块54,，用于基于训练后的属性识别模型，对所述待处理对象 的至少两个对象属性进行识别，获得所述待处理对象的至少两个对象属性 的属性识别结果；其中：
所述属性识别模型是基于历史属性关联特征和包含历史对象的历史 图像进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少 两个对象属性的属性类别之间的关联关系确定的。
通过上述装置，对于获取到的包含待处理对象的待处理图像，基于训 练后的属性识别模型对其中包含的待处理对象的至少两个对象属性进行 识别，从而获得待处理对象的至少两个对象属性的属性识别结果，该训练 后的属性识别模型是基于历史属性关联特征和包含历史对象的历史图像 进行训练得到的，而历史属性关联特征是基于历史对象的至少两个对象属 性的属性类别之间的关联关系确定的，因此，属性识别模型的训练过程中使用的历史属性关联特征融合了历史对象的至少两个对象属性的属性类 别之间的关联关系，使得历史对象的特征维度更加丰富，信息更加全面， 使用历史属性关联特征和包含历史对象的历史图像对属性识别模型进行 训练，使得在训练过程中能够充分利用对象属性以及对象属性的属性类别 之间的关联关系，增强了对象特征的鲁棒性和判别性，使训练得到的属性 识别模型具有更优的鲁棒性，更高的准确率。因此，解决了相关技术中存 在的对象属性识别准确率较低的问题，达到了提高对象属性识别准确率的 效果。
在一个可选的实施例中，所述装置还包括：
第二获取模块，用于在所述对所述待处理对象的至少两个对象属性进 行识别之前，获取包含所述历史对象的历史图像，其中，所述历史图像中 标注有所述历史对象的至少两个对象属性的属性类别；
提取模块，用于对所述历史对象的至少两个对象属性的属性类别进行 关联特征提取，得到所述历史属性关联特征；以及，对所述历史图像进行 属性特征提取，得到待处理图像特征；
训练模块，用于基于所述历史属性关联特征和所述待处理图像特征， 对所述属性识别模型进行训练。
在一个可选的实施例中，所述训练模块，包括：
加权求和单元，用于对所述历史属性关联特征和所述待处理图像特征 进行加权求和，得到融合特征；
训练单元，用于基于所述融合特征与所述历史图像中所标注的历史对 象的至少两个对象属性的属性类别之间的函数关系，对初始的所述属性识 别模型进行训练，得到训练后的所述属性识别模型。
在一个可选的实施例中，所述训练单元，用于：
基于所述函数关系与初始的所述属性识别模型对应的收敛条件，对初 始的所述属性识别模型的目标模型参数进行调整，直至所述函数关系满足 所述收敛条件，其中，初始的所述属性识别模型包括初始的关联属性提取 层，初始的图像特征提取层，初始的特征融合层，所述关联属性提取层用 于进行关联特征提取，所述图像特征提取层用于进行图像特征提取，所述 特征融合层用于进行特征融合，所述目标模型参数至少包括所述图像特征提取层的模型参数；
至少将训练后的所述图像特征提取层确定为训练后的所述属性识别 模型。
在一个可选的实施例中，所述提取模块，包括：
第一输入单元，用于将所述历史图像中所标注的历史对象的至少两个 对象属性的属性类别输入初始的所述属性识别模型包括的初始的关联属 性提取层，得到初始的所述关联属性提取层输出的数据作为所述历史属性 关联特征；以及，
第二输入单元，用于将所述历史图像输入初始的所述属性识别模型包 括的初始的图像特征提取层，得到初始的所述图像特征提取层输出的数据 作为所述待处理图像特征。
在一个可选的实施例中，所述第一输入单元，用于：
通过初始的所述关联属性提取层对所述历史图像中所标注的历史对 象的至少两个对象属性的属性类别进行特征提取，得到历史属性特征；
通过初始的所述关联属性提取层建立所述历史属性特征之间的关联 关系，得到所述历史属性关联特征。
在一个可选的实施例中，所述第一输入单元，用于：构造目标因子分 解机，其中，所述目标因子分解机中包括用于描述特征之间的交叉关系的 多项式；
将所述历史属性特征输入所述目标因子分解机中，得到所述目标因子 分解机输出的数据作为所述历史属性关联特征。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于 后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器 中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存 储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上 述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限 于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储 器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各 种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存 储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述 任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入 输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述 处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所 描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤 可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者 分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序 代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并 且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或 者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件 和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于 本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。

Claims (8)

1.一种对象属性识别方法，其特征在于，包括：
获取待处理图像，其中，所述待处理图像中包含待处理对象；
基于训练后的属性识别模型，对所述待处理对象的至少两个对象属性进行识别，获得所述待处理对象的至少两个对象属性的属性识别结果；其中：
所述属性识别模型是基于历史属性关联特征和包含历史对象的历史图像进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少两个对象属性的属性类别之间的关联关系确定的,所述属性类别用于指示对象的特征的类别；
在所述对所述待处理对象的至少两个对象属性进行识别之前，所述方法还包括：获取包含所述历史对象的历史图像，其中，所述历史图像中标注有所述历史对象的至少两个对象属性的属性类别；对所述历史对象的至少两个对象属性的属性类别进行关联特征提取，得到所述历史属性关联特征；以及，对所述历史图像进行属性特征提取，得到待处理图像特征；基于所述历史属性关联特征和所述待处理图像特征，对所述属性识别模型进行训练；
所述基于所述历史属性关联特征和所述待处理图像特征，对所述属性识别模型进行训练，包括：对所述历史属性关联特征和所述待处理图像特征进行加权求和，得到融合特征；基于所述融合特征与所述历史图像中所标注的历史对象的至少两个对象属性的属性类别之间的函数关系，对初始的所述属性识别模型进行训练，得到训练后的所述属性识别模型；
所述对所述历史属性关联特征和所述待处理图像特征进行加权求和，包括：对所述历史属性关联特征和所述待处理图像特征中相应元素计算加权和，其中，所述元素对应的权重是根据所述元素相对于所述历史对象的所述属性识别结果的影响程度确定的。
2.根据权利要求1所述的方法，其特征在于，所述基于所述融合特征与所述历史图像中所标注的历史对象的至少两个对象属性的属性类别之间的函数关系，对初始的所述属性识别模型进行训练，得到训练后的所述属性识别模型，包括：
基于所述函数关系与初始的所述属性识别模型对应的收敛条件，对初始的所述属性识别模型的目标模型参数进行调整，直至所述函数关系满足所述收敛条件，其中，初始的所述属性识别模型包括初始的关联属性提取层，初始的图像特征提取层，初始的特征融合层，所述关联属性提取层用于进行关联特征提取，所述图像特征提取层用于进行图像特征提取，所述特征融合层用于进行特征融合，所述目标模型参数至少包括所述图像特征提取层的模型参数；
至少将训练后的所述图像特征提取层确定为训练后的所述属性识别模型。
3.根据权利要求1所述的方法，其特征在于，对所述历史对象的至少两个对象属性的属性类别进行关联特征提取，得到所述历史属性关联特征；以及，对所述历史图像进行属性特征提取，得到待处理图像特征，包括：
将所述历史图像中所标注的历史对象的至少两个对象属性的属性类别输入初始的所述属性识别模型包括的初始的关联属性提取层，得到初始的所述关联属性提取层输出的数据作为所述历史属性关联特征；以及，
将所述历史图像输入初始的所述属性识别模型包括的初始的图像特征提取层，得到初始的所述图像特征提取层输出的数据作为所述待处理图像特征。
4.根据权利要求3所述的方法，其特征在于，所述将所述历史图像中所标注的历史对象的至少两个对象属性的属性类别输入初始的所述属性识别模型包括的初始的关联属性提取层，得到初始的所述关联属性提取层输出的数据作为所述历史属性关联特征，包括：
通过初始的所述关联属性提取层对所述历史图像中所标注的历史对象的至少两个对象属性的属性类别进行特征提取，得到历史属性特征；
通过初始的所述关联属性提取层建立所述历史属性特征之间的关联关系，得到所述历史属性关联特征。
5.根据权利要求4所述的方法，其特征在于，所述建立所述历史属性特征之间的关联关系，得到所述历史属性关联特征，包括：
构造目标因子分解机，其中，所述目标因子分解机中包括用于描述特征之间的交叉关系的多项式；
将所述历史属性特征输入所述目标因子分解机中，得到所述目标因子分解机输出的数据作为所述历史属性关联特征。
6.一种对象属性识别装置，其特征在于，包括：
第一获取模块，用于获取待处理图像，其中，所述待处理图像中包含待处理对象；
识别模块，用于基于训练后的属性识别模型，对所述待处理对象的至少两个对象属性进行识别，获得所述待处理对象的至少两个对象属性的属性识别结果；其中：
所述属性识别模型是基于历史属性关联特征和包含历史对象的历史图像进行训练得到的，所述历史属性关联特征是基于所述历史对象的至少两个对象属性的属性类别之间的关联关系确定的,所述属性类别用于指示对象的特征的类别；
所述装置还包括：第二获取模块，用于在所述对所述待处理对象的至少两个对象属性进行识别之前，获取包含所述历史对象的历史图像，其中，所述历史图像中标注有所述历史对象的至少两个对象属性的属性类别；提取模块，用于对所述历史对象的至少两个对象属性的属性类别进行关联特征提取，得到所述历史属性关联特征；以及，对所述历史图像进行属性特征提取，得到待处理图像特征；训练模块，用于基于所述历史属性关联特征和所述待处理图像特征，对所述属性识别模型进行训练；
所述训练模块，包括：加权求和单元，用于对所述历史属性关联特征和所述待处理图像特征进行加权求和，得到融合特征；训练单元，用于基于所述融合特征与所述历史图像中所标注的历史对象的至少两个对象属性的属性类别之间的函数关系，对初始的所述属性识别模型进行训练，得到训练后的所述属性识别模型；
所述加权求和单元，用于：对所述历史属性关联特征和所述待处理图像特征中相应元素计算加权和，其中，所述元素对应的权重是根据所述元素相对于所述历史对象的所述属性识别结果的影响程度确定的。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至5任一项中所述的方法的步骤。
8.一种电子装置，包括存储器、处理器以及存储在所述存储器上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所述权利要求1至5任一项中所述的方法的步骤。
CN202111116328.6A 2021-09-23 2021-09-23 对象属性识别方法、装置、存储介质和电子装置 Active CN113822199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111116328.6A CN113822199B (zh) 2021-09-23 2021-09-23 对象属性识别方法、装置、存储介质和电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111116328.6A CN113822199B (zh) 2021-09-23 2021-09-23 对象属性识别方法、装置、存储介质和电子装置

Publications (2)

Publication Number Publication Date
CN113822199A CN113822199A (zh) 2021-12-21
CN113822199B true CN113822199B (zh) 2023-06-16

Family

ID=78915316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111116328.6A Active CN113822199B (zh) 2021-09-23 2021-09-23 对象属性识别方法、装置、存储介质和电子装置

Country Status (1)

Country Link
CN (1) CN113822199B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550240A (zh) * 2022-01-28 2022-05-27 北京百度网讯科技有限公司 图像识别的方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875932A (zh) * 2018-02-27 2018-11-23 北京旷视科技有限公司 图像识别方法、装置和系统及存储介质
CN114450690A (zh) * 2019-11-25 2022-05-06 深圳市欢太科技有限公司 网络模型训练方法、图像属性识别方法、装置及电子设备
CN111598164B (zh) * 2020-05-15 2023-06-23 北京百度网讯科技有限公司 识别目标对象的属性的方法、装置、电子设备和存储介质
CN112507978B (zh) * 2021-01-29 2021-05-28 长沙海信智能系统研究院有限公司 人物属性识别方法、装置、设备及介质
CN112971718A (zh) * 2021-02-05 2021-06-18 北京鹰之眼智能健康科技有限公司 证候识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113822199A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
Somasundaram et al. Action recognition using global spatio-temporal features derived from sparse representations
CN111859023A (zh) 视频分类方法、装置、设备及计算机可读存储介质
CN111666922A (zh) 视频匹配方法、装置、计算机设备和存储介质
CN110781980B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN113627402B (zh) 一种图像识别方法及相关装置
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN112801063B (zh) 神经网络系统和基于神经网络系统的图像人群计数方法
CN112862828A (zh) 一种语义分割方法、模型训练方法及装置
CN111291695B (zh) 人员违章行为识别模型训练方法、识别方法及计算机设备
WO2023279799A1 (zh) 对象识别方法、装置和电子系统
CN112800978A (zh) 属性识别方法、部位属性提取网络的训练方法和装置
CN113822199B (zh) 对象属性识别方法、装置、存储介质和电子装置
CN113688814B (zh) 图像识别方法及装置
CN112668675B (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN113627334A (zh) 对象的行为识别方法及装置
CN113706550A (zh) 图像场景识别和模型训练方法、装置和计算机设备
CN112132231A (zh) 对象的识别方法和装置、存储介质及电子设备
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN112990156B (zh) 基于视频的最优目标捕捉方法、装置及相关设备
CN113076963B (zh) 一种图像识别方法、装置和计算机可读存储介质
CN113033430B (zh) 基于双线性的多模态信息处理的人工智能方法、系统及介质
CN114092746A (zh) 一种多属性识别方法、装置、存储介质及电子设备
CN114140718A (zh) 一种目标跟踪方法、装置、设备及存储介质
CN114639076A (zh) 目标对象检测方法、装置、存储介质以及电子装置
CN111898462B (zh) 对象属性的处理方法、装置、存储介质以及电子装置

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