CN115273148B - 行人重识别模型训练方法、装置、电子设备及存储介质 - Google Patents
行人重识别模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115273148B CN115273148B CN202210926650.3A CN202210926650A CN115273148B CN 115273148 B CN115273148 B CN 115273148B CN 202210926650 A CN202210926650 A CN 202210926650A CN 115273148 B CN115273148 B CN 115273148B
- Authority
- CN
- China
- Prior art keywords
- current
- image sample
- cluster
- previous
- moment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000012546 transfer Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010380 label transfer Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种行人重识别模型训练方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测、智能交通等场景。该方法包括：确定图像样本在当前时刻所属的当前聚类簇，并确定当前聚类簇在当前时刻的聚类伪标签；并根据先前聚类簇和当前聚类簇确定先前聚类簇在当前时刻的传递伪标签；根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；采用图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。通过上述技术方案能够提高图像样本的标签质量。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测、智能交通等场景。具体涉及一种行人重识别模型训练方法、装置、电子设备及存储介质。
背景技术
行人重识别(Person re-identification)也称行人再识别，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，也就是说，行人重识别任务在大量的无重叠行人图像中找到特定的目标行人。
无监督行人重识别任务则进一步要求通过利用无标签的行人图像进行模型训练，得到行人重识别模型。
发明内容
本公开提供了一种行人重识别模型训练方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种行人重识别模型训练方法，该方法包括：
确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
获取图像样本在先前时刻所属的先前聚类簇，并根据所述先前聚类簇和所述当前聚类簇确定所述先前聚类簇在当前时刻的传递伪标签；
根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
根据本公开的一方面，提供了一种行人重识别方法，该方法包括：
获取待识别的目标图像；
采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据本公开任意实施例所提供的行人重识别模型的训练方法得到。
根据本公开的一方面，提供了一种行人重识别模型训练装置，该装置包括：
聚类伪标签模块，用于确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
传递伪标签模块，用于获取图像样本在先前时刻所属的先前聚类簇，并根据所述先前聚类簇和所述当前聚类簇确定所述先前聚类簇在当前时刻的传递伪标签；
融合伪标签模块，用于根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
模型训练模块，用于采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
根据本公开的一方面，提供了一种行人重识别装置，该装置包括：
图像获取模块，用于获取待识别的目标图像；
图像识别模块，用于采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据本公开任意实施例所提供的行人重识别模型的训练装置提供。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任意实施例所提供的行人重识别模型训练方法或行人重识别方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本公开任意实施例所提供的行人重识别模型训练方法或行人重识别方法。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种行人重识别模型训练方法的流程图；
图2是根据本公开实施例提供的另一种行人重识别模型训练方法的流程图；
图3a是根据本公开实施例提供的又一种行人重识别模型训练方法的流程图；
图3b是根据本公开实施例提供的一种标签传递的示意图；
图4是根据本公开实施例提供的一种行人重识别模型训练装置的结构示意图；
图5是用来实现本公开实施例的行人重识别模型训练方法或行人重识别方法的电子设备的框图。
具体实施方式
图1是根据本公开实施例提供的一种行人重识别模型训练方法的流程图。该方法适用于基于无监督学习进行行人重识别模型训练的情况。该方法可以由行人重识别模型训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。如图1所示，本实施例的行人重识别模型训练方法可以包括：
S101，确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
S102，获取图像样本在先前时刻所属的先前聚类簇，并根据所述先前聚类簇和所述当前聚类簇确定所述先前聚类簇在当前时刻的传递伪标签；
S103，根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
S104，采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
其中，图像样本为无标签的行人图像，先前时刻位于当前时刻之前，本公开实施例对先前时刻与当前时刻之间的时间间隔不做具体限定，对先前时刻的数量也不做具体限定。当前聚类簇为在当前时刻对各图像样本的聚类结果，先前聚类簇为在先前时刻对各图像样本的聚类结果。聚类伪标签用于表征图像样本所属的聚类簇，各聚类簇分别对应有自身的聚类伪标签。在当前时刻，可对各图像样本进行聚类得到各图像样本所属的当前聚类簇，并为当前聚类簇设置对应的聚类伪标签；在先前时刻，可对各图像样本进行聚类得到各图像样本所属的先前聚类簇。其中，聚类算法可为DBSCAN(Density-Based SpatialClustering of Applications with Noise，基于密度的聚类算法)、k-means(k-meansclustering algorithm，k均值聚类算法)等。
其中，先前聚类簇在当前时刻的传递伪标签用于表征该先前聚类簇与各当前聚类簇之间的相关性。传递伪标签用于表征先前聚类簇在当前时刻的有效标签信息，也就是说，传递伪标签用于将先前聚类簇的有效标签信息传递到当前时刻，使当前时刻不仅具有当前聚类簇的聚类伪标签，还具有先前聚类簇的有效标签信息。传递伪标签中的元素数量与当前聚类簇的数量相同，且传递伪标签中各元素取值之和为1。传递伪标签中的元素取值可根据先前聚类簇与当前聚类簇之间的样本重叠度确定。
其中，图像样本在当前时刻的融合伪标签为采用图像样本对应的传递伪标签对聚类伪标签的标签优化结果。针对每一图像样本，可通过对该图像样本在当前时刻的聚类伪标签和该图像样本所属先前聚类簇在当前时刻的传递伪标签进行融合，得到该图像样本在当前时刻的融合伪标签，使得该图像样本在当前时刻的融合伪标签不仅包括该图像样本在当前时刻所属的当前聚类簇，还包括该图像样本在先前时刻所属的先前聚类簇的有效标签信息，也就是说，结合该图像样本的传递伪标签对该图像样本在当前时刻的聚类伪标签进行优化得到该图像样本在当前时刻的融合伪标签，能够有效缓解聚类伪标签中的噪声问题，从而提高该图像样本的伪标签质量。
在当前时刻，可将图像样本的特征数据输入待训练的行人重识别模型，得到模型预测数据，并根据模型预测数据和图像样本的融合伪标签构建损失函数，且采用损失函数更新行人重识别模型中待训练的模型参数，得到当前时刻的行人重识别模型。其中，损失函数可采用Softmax交叉熵损失函数。通过采用图像样本的融合伪标签进行模型训练，相比于采用图像样本的聚类伪标签进行模型训练，能够降低聚类伪标签中的噪声问题，从而提高行人重识别模型的表征能力。
本公开实施例提供的技术方案，通过根据先前时刻的先前聚类簇和当前时刻的当前聚类簇确定先前聚类簇在当前时刻的传递伪标签，并结合传递伪标签对当前时刻的聚类伪标签进行优化得到当前时刻的融合伪标签，也就是说，通过结合先前时刻的聚类伪标签和当前时刻的聚类伪标签进行标签优化，能够提高标签质量，更有利于提高模型的性能与特征的判别能力。
图2是根据本公开实施例提供的另一种行人重识别模型训练方法的流程图。参见图2，本实施例的行人重识别模型训练方法可以包括：
S201，确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
S202，获取图像样本在先前时刻所属的先前聚类簇；
S203，分别获取属于所述先前聚类簇的先前图像样本集和属于所述当前聚类簇的当前图像样本集；
S204，根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵；
S205，根据所述相关性矩阵，确定所述先前聚类簇在当前时刻的传递伪标签；
S206，根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
S207，采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
其中，先前时刻与当前时刻之间的相关性矩阵用于表征先前聚类簇在当前时刻的置信度；相关性矩阵中元素的取值越大，对应先前聚类簇在当前时刻越有效。相关性矩阵包括先前时刻的各先前聚类簇在当前时刻的传递伪标签。
具体的，在先前时刻，分别对各图像样本进行聚类得到各图像样本在先前时刻所属的先前聚类簇，针对每一先前聚类簇，获取属于该先前聚类簇中的各图像样本，作为先前图像样本集；在当前时刻，分别对各图像样本进行聚类得到各图像样本在当前时刻所属的当前聚类簇，针对每一当前聚类簇，获取属于该当前聚类簇中的各图像样本，作为当前图像样本集。并且，对先前图像样本集与当前图像样本集进行样本数量的相关性计算，得到先前时刻与当前时刻之间的相关性矩阵。针对每一先前聚类簇，在相关性矩阵的对应位置处，获取该先前聚类簇在当前时刻的传递伪标签。通过对先前图像样本集与当前图像样本集进行样本数量的相关性计算能够得到相关性矩阵，并通过相关性矩阵能够得到各先前聚类簇的传递伪标签。
在一种可选实施方式中，所述根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵，包括：确定所述先前图像样本集和所述当前图像样本集中的公共图像样本数量；根据所述公共图像样本数量，确定先前时刻与当前时刻之间的相关性矩阵。
针对每一先前聚类簇，分别确定该先前聚类簇的先前图像样本集与各当前图像样本集中的公共图像样本数量，并根据公共图像样本数量确定相关性矩阵。公共图像样本数量越大，则相关性矩阵对应元素的取值越大，先前聚类簇与当前聚类簇之间的相关性越强。
在一种可选实施方式中，所述相关性矩阵中的第i行元素根据先前时刻的第i个先前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定，i为自然数。
其中，相关性矩阵的行数为先前聚类簇的数量，相关性矩阵的列数为当前聚类簇的数量。相关性矩阵中第i行第j列元素的取值为第i个先前聚类簇对应的先前图像样本集和第j个当前聚类簇对应的当前图像样本集中的公共图像样本数量，i和j均为自然数。相应的，根据所述相关性矩阵，确定所述先前聚类簇在当前时刻的传递伪标签，包括：针对第i个先前聚类簇，获取相关性矩阵中第i行元素，并对第i行元素进行归一化，将归一化结果作为第i个先前聚类簇在当前时刻的传递伪标签。传递伪标签中的元素数量与当前聚类簇的数量相同。在确定相关性矩阵过程中，通过利用先前图像样本集和当前图像样本集中的交叠样本数量，判断先前聚类簇与各当前聚类簇是否为相同聚类簇，得到对应聚类簇之间的置信度矩阵作为相关性矩阵，通过相关性矩阵将先前时刻的聚类伪标签转化为当前时刻的传递伪标签，并结合传递伪标签和当前时刻的聚类伪标签形成优化后的融合伪标签，能够有效缓解聚类伪标签中的噪声问题。
本公开实施例提供的技术方案，通过采用先前聚类簇的先前图像样本集和各当前聚类簇的当前图像样本集之间的公共图像样本数量确定先前时刻与当前时刻的相关性矩阵，基于相关性矩阵得到先前聚类簇在当前时刻的传递伪标签，并采用先前聚类簇的传递伪标签对当前时刻的聚类伪标签进行优化得到当前时刻的融合伪标签。通过利用先前图像样本集与当前图像样本集之间的交叠样本使融合伪标签结合了先前时刻的有效伪标签信息，从而减少聚类伪标签噪声，提高模型的表征能力。
图3a是根据本公开实施例提供的又一种行人重识别模型训练方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3a，本实施例的行人重识别模型训练方法可以包括：
S301，在当前时刻分别对各图像样本进行特征提取，得到各图像样本在当前时刻的当前特征数据；
S302，对各所述当前特征数据进行聚类得到各图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
S303，获取图像样本在先前时刻所属的先前聚类簇，并根据所述先前聚类簇和所述当前聚类簇确定所述先前聚类簇在当前时刻的传递伪标签；
S304，根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
S305，采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
其中，图像样本在先前时刻所属的先前聚类簇通过如下方式确定：在先前时刻分别对各图像样本进行特征提取，得到各图像样本在先前时刻的当前特征数据；对各所述先前特征数据进行聚类得到各图像样本在先前时刻所属的先前聚类簇。通过在先前时刻、当前时刻分别对各图像样本进行聚类，图像样本在先前时刻所属的先前聚类簇、图像样本在当前时刻所属的当前聚类簇，为后续根据先前聚类簇和当前聚类簇确定先前聚类簇在当前时刻的传递伪标签，并采用先前聚类簇的传递伪标签对当前聚类簇的聚类伪标签进行优化奠定基础。
本公开实施例提供的技术方案，通过在先前时刻、当前时刻分别对各图像样本进行聚类得到先前聚类簇和当前聚类簇，并结合先前时刻的先前聚类簇的传递伪标签对当前聚类簇的聚类伪标签进行优化得到当前聚类簇的融合伪标签，采用融合伪标签对行人重识别进行模型训练，相比于采用聚类伪标签进行模型训练，能够提升行人重识别的性能。
在一种可选实施方式中，所述根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签，包括：
通过如下公式，得到图像样本在当前时刻的融合伪标签：
Cm＝Ct+[k×(n1×Ct-1+n2×Ct-2)]
其中，Cm为图像样本在t时刻的融合伪标签，Ct为图像样本所属的当前聚类簇在t时刻的聚类伪标签，Ct-1为图像样本在t-1时刻所属的先前聚类簇在当前时刻的传递伪标签，Ct-2为图像样本在t-2时刻所属的先前聚类簇在当前时刻的传递伪标签，k、n1和n2为预设的融合系数，t为当前时刻，t-1和t-2均为先前时刻，k小于1，且n1大于n2。
参考图3b，在有两个先前时刻进行标签传递的情况下，即t-2时刻的伪标签、t-1时刻的伪标签均传递到t时刻的情况下，分别确定t-1时刻与t时刻的第一相关性矩阵，t-2时刻与t时刻的第二相关性矩阵；基于第一相关性矩阵，将t-1时刻的先前聚类簇转换到当前时刻得到该先前聚类簇在当前时刻的传递伪标签Ct-1，基于第二相关性矩阵，将t-2时刻的先前聚类簇转换到当前时刻得到该先前聚类簇在当前时刻的传递伪标签Ct-2。
在t时刻，分别获取图像样本在t时刻的聚类伪标签Ct、图像样本在t-1时刻所属的先前聚类簇在当前时刻的传递伪标签Ct-1，图像样本在t-2时刻所属的先前聚类簇在当前时刻的传递伪标签Ct-2；可结合k、n1、n2，根据图像样本在当前时刻的聚类伪标签Ct、传递伪标签Ct-1和传递伪标签Ct-2，得到图像样本在当前时刻的融合伪标签Cm，k取值范围为(0,1)，n1与n2之和为1，且n1大于n2，也就是说t-1时刻对t时刻的标签传递重要度大于t-2时刻对t时刻的标签传递重要度，例如k、n1与n2的取值可依次为0.5、0.7与0.3。在t时刻，还采用图像样本在t时刻的融合伪标签进行模型训练得到t时刻的行人重识别模型。
需要说明的是，参考图3b，在t-1时刻、t-2时刻也分别采用图像样本在t-1时刻、t-2时刻的融合伪标签进行模型训练得到t-1时刻、t-2时刻的行人重识别模型。其中，图像样本在t-1时刻的融合伪标签根据图像样本在t-1时刻的聚类伪标签、t-2时刻与t-1时刻之间的相关性矩阵、t-3时刻与t-1时刻之间的相关性矩阵确定；图像样本在t-2时刻的融合伪标签根据图像样本在t-2时刻的聚类伪标签、t-3时刻与t-2时刻之间的相关性矩阵、t-4时刻与t-2时刻之间的相关性矩阵确定。并且，本公开实施例对进行标签传递的先前时刻数量不做具体限定，例如也可以有三个先前时刻、四个先前时刻等进行标签传递，与当前时刻越近的先前时刻所具有的标签传递重要度越大，且各先前时刻的标签传递重要度之和为1。
为了便于理解，如下以0-9共10个图像样本，且有两个先前时刻进行标签传递为例进行说明。具体的，在t时刻将10个图像样本分成3个当前聚类簇，各当前聚类簇中的当前图像样本集合分别为012，3456，789，在t-1时刻将10个图像样本分成2个先前聚类簇，各先前聚类簇对应的先前图像样本集合依次为01234，56789，在t-2时刻将10个图像样本分成4个先前聚类簇，各先前聚类簇对应的先前图像样本集合依次为012，34，567，89。
相应地，t-1时刻与t时刻的相关性矩阵为：
经归一化为：/>
t-2时刻与t时刻的相关性矩阵为：
经归一化为：/>
以图像样本0为例，该图像样本在t时刻属于第一个当前聚类簇，因此其在t时刻的聚类伪标签Ct＝[1 0 0]，该图像样本在t-1时刻属于第一个先前聚类簇，将相关性矩阵A1中的第一行作为该先前聚类簇在当前时刻的传递伪标签Ct-1＝[0.6 0.4 0]，该图像样本在t-2时刻属于第一个先前聚类簇，将相关性矩阵A2中的第一行作为该先前聚类簇在当前时刻的传递伪标签Ct-2＝[1 0 0]，因此该图像样本在t时刻的融合伪标签为：
Cm＝[1 0 0]+k×(n1×[0.6 0.4 0]+n2×[1 0 0])；
在k取值0.5，n1和n2取值依次为0.7和0.3的情况下，Cm＝[1.36 0.14 0]，经归一化得到[0.9 0.1 0]。其他图像样本的融合伪标签的确定方式与图像样本0类似，在此不再赘述。
通过根据不同时刻聚类簇中的公共图像样本数量，确定不同时刻聚类簇之间的相关性矩阵，根据相关性矩阵得到图像样本的融合伪标签，并采用图像样本的融合伪标签进行模型训练，通过利用各聚类簇之间交叠的公共样本使融合伪标签能够结合先前时刻的伪标签信息，从而减少伪标签噪声，提高模型的表征能力。
根据本公开的实施例，本公开还提供了一种行人重识别方法，该方法包括：获取待识别的目标图像；采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据本公开任意实施例所提供的行人重识别模型的训练方法得到。
在行人重识别模型训练过程中，通过结合先前阶段和当前阶段的伪标签，得到优化的融合伪标签，提高了行人重识别模型的性能，提高模型对特征的判别能力。因此，采用行人重识别模型对目标图像进行行人重识别，能够提高识别结果的准确性。
图4是根据本公开实施例提供的一种行人重识别模型训练装置的结构示意图。本实施例适用于基于无监督学习进行行人重识别模型训练的情况。该装置可以采用软件和/或硬件的方式实现。如图4所示，本实施例的行人重识别模型训练装置400可以包括：
聚类伪标签模块410，用于确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
传递伪标签模块420，用于获取图像样本在先前时刻所属的先前聚类簇，并根据所述先前聚类簇和所述当前聚类簇确定所述先前聚类簇在当前时刻的传递伪标签；
融合伪标签模块430，用于根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
模型训练模块440，用于采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
在一种可选实施方式中，所述传递伪标签模块420包括：
样本集单元，用于分别获取属于所述先前聚类簇的先前图像样本集和属于所述当前聚类簇的当前图像样本集；
相关性单元，用于根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵；
传递伪标签单元，用于根据所述相关性矩阵，确定所述先前聚类簇在当前时刻的传递伪标签。
在一种可选实施方式中，所述相关性单元具体用于：
确定所述先前图像样本集和所述当前图像样本集中的公共图像样本数量；
根据所述公共图像样本数量，确定先前时刻与当前时刻之间的相关性矩阵。
在一种可选实施方式中，所述相关性矩阵中的第i行元素根据先前时刻的第i个先前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定，i为自然数。
在一种可选实施方式中，所述样本集单元包括：
特征提取单元，用于在当前时刻分别对各图像样本进行特征提取，得到各图像样本在当前时刻的当前特征数据；
聚类单元，用于对各所述当前特征数据进行聚类，得到各图像样本在当前时刻所属的当前聚类簇。
在一种可选实施方式中，所述融合伪标签模块430具体用于：
通过如下公式，得到图像样本在当前时刻的融合伪标签：
Cm＝Ct+[k×(n1×Ct-1+n2×Ct-2)]
其中，Cm为图像样本在t时刻的融合伪标签，Ct为图像样本所属的当前聚类簇在t时刻的聚类伪标签，Ct-1为图像样本在t-1时刻所属的先前聚类簇在当前时刻的传递伪标签，Ct-2为图像样本在t-2时刻所属的先前聚类簇在当前时刻的传递伪标签，k、n1和n2为预设的融合系数，t为当前时刻，t-1和t-2均为先前时刻，k小于1，且n1大于n2。
本公开实施例的技术方案，通过计算先前时刻和当前时刻不同聚类簇所含图像样本的数目重叠度，得到先前聚类簇与当前聚类簇之间的相关性矩阵。对于一个特定行人图像(即对于一个特定图像样本)，将先前阶段的聚类伪标签通过相关性矩阵转换为传递伪标签，结合当前时刻的聚类伪标签和传递伪标签形成融合伪标签，作为标签优化结果。通过伪标签优化，能够有效地缓解聚类标签中含有噪声的问题，提高模型的表征能力。
根据本公开的实施例，本公开还提供了一种行人重识别装置，该装置包括：
图像获取模块，用于获取待识别的目标图像；
图像识别模块，用于采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据本公开任意实施例所提供的行人重识别模型的训练装置提供。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5是用来实现本公开实施例的行人重识别模型训练方法或行人重识别方法的电子设备的框图。图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如行人重识别模型训练方法或行人重识别方法。例如，在一些实施例中，行人重识别模型训练方法或行人重识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的行人重识别模型训练方法或行人重识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行行人重识别模型训练方法或行人重识别方法。
本文中以上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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (14)
1.一种行人重识别模型训练方法，包括：
确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
获取图像样本在先前时刻所属的先前聚类簇，并分别获取属于所述先前聚类簇的先前图像样本集和属于所述当前聚类簇的当前图像样本集；
根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵；
根据所述相关性矩阵，确定所述先前聚类簇在当前时刻的传递伪标签；
根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
2.根据权利要求1所述的方法，其中，所述根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵，包括：
确定所述先前图像样本集和所述当前图像样本集中的公共图像样本数量；
根据所述公共图像样本数量，确定先前时刻与当前时刻之间的相关性矩阵。
3.根据权利要求2所述的方法，其中，所述相关性矩阵中的第i行元素根据先前时刻的第i个先前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定，i为自然数。
4.根据权利要求1所述的方法，其中，所述确定图像样本在当前时刻所属的当前聚类簇，包括：
在当前时刻分别对各图像样本进行特征提取，得到各图像样本在当前时刻的当前特征数据；
对各所述当前特征数据进行聚类，得到各图像样本在当前时刻所属的当前聚类簇。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签，包括：
通过如下公式，得到图像样本在当前时刻的融合伪标签：
Cm=Ct+[k×（n1×Ct-1+n2×Ct-2）]
其中，Cm为图像样本在t时刻的融合伪标签，Ct为图像样本所属的当前聚类簇在t时刻的聚类伪标签，Ct-1为图像样本在t-1时刻所属的先前聚类簇在当前时刻的传递伪标签，Ct-2为图像样本在t-2时刻所属的先前聚类簇在当前时刻的传递伪标签，k、n1和n2为预设的融合系数，t为当前时刻，t-1和t-2均为先前时刻，k小于1，且n1大于n2。
6.一种行人重识别方法，包括：
获取待识别的目标图像；
采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据如权利要求1-5中任一项所述的行人重识别模型的训练方法得到。
7.一种行人重识别模型训练装置，包括：
聚类伪标签模块，用于确定图像样本在当前时刻所属的当前聚类簇，并确定所述当前聚类簇在当前时刻的聚类伪标签；
传递伪标签模块包括：样本集单元，用于分别获取属于先前聚类簇的先前图像样本集和属于所述当前聚类簇的当前图像样本集；
相关性单元，用于根据所述先前图像样本集和所述当前图像样本集，确定先前时刻与当前时刻之间的相关性矩阵；
传递伪标签单元，用于根据所述相关性矩阵，确定所述先前聚类簇在当前时刻的传递伪标签；
融合伪标签模块，用于根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签，确定图像样本在当前时刻的融合伪标签；
模型训练模块，用于采用所述图像样本在当前时刻的融合伪标签进行模型训练，得到当前时刻的行人重识别模型。
8.根据权利要求7所述的装置，其中，所述相关性单元具体用于：
确定所述先前图像样本集和所述当前图像样本集中的公共图像样本数量；
根据所述公共图像样本数量，确定先前时刻与当前时刻之间的相关性矩阵。
9.根据权利要求8所述的装置，其中，所述相关性矩阵中的第i行元素根据先前时刻的第i个先前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定，i为自然数。
10.根据权利要求7所述的装置，其中，样本集单元包括：
特征提取单元，用于在当前时刻分别对各图像样本进行特征提取，得到各图像样本在当前时刻的当前特征数据；
聚类单元，用于对各所述当前特征数据进行聚类，得到各图像样本在当前时刻所属的当前聚类簇。
11.根据权利要求7-10中任一项所述的装置，其中，所述融合伪标签模块具体用于：
通过如下公式，得到图像样本在当前时刻的融合伪标签：
Cm=Ct+[k×（n1×Ct-1+n2×Ct-2）]
其中，Cm为图像样本在t时刻的融合伪标签，Ct为图像样本所属的当前聚类簇在t时刻的聚类伪标签，Ct-1为图像样本在t-1时刻所属的先前聚类簇在当前时刻的传递伪标签，Ct-2为图像样本在t-2时刻所属的先前聚类簇在当前时刻的传递伪标签，k、n1和n2为预设的融合系数，t为当前时刻，t-1和t-2均为先前时刻，k小于1，且n1大于n2。
12.一种行人重识别装置，包括：
图像获取模块，用于获取待识别的目标图像；
图像识别模块，用于采用行人重识别模型对所述目标图像进行行人重识别，得到目标图像的识别结果；其中，所述行人重识别模型根据如权利要求7-11中任一项所述的行人重识别模型的训练装置提供。
13. 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1-6中任一项所述的行人重识别模型训练方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的行人重识别模型训练方法或根据权利要求6所述的行人重识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210926650.3A CN115273148B (zh) | 2022-08-03 | 2022-08-03 | 行人重识别模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210926650.3A CN115273148B (zh) | 2022-08-03 | 2022-08-03 | 行人重识别模型训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115273148A CN115273148A (zh) | 2022-11-01 |
| CN115273148B true CN115273148B (zh) | 2023-09-05 |
Family
ID=83749169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210926650.3A Active CN115273148B (zh) | 2022-08-03 | 2022-08-03 | 行人重识别模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115273148B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468112B (zh) * | 2023-04-06 | 2024-03-12 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086306A (zh) * | 2018-06-22 | 2018-12-25 | 国网浙江省电力有限公司 | 基于混合隐马尔可夫模型的原子事件标签的提取方法 |
| CN111783646A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 行人再识别模型的训练方法、装置、设备和存储介质 |
| CN112069929A (zh) * | 2020-08-20 | 2020-12-11 | 之江实验室 | 一种无监督行人重识别方法、装置、电子设备及存储介质 |
| CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
| CN112652165A (zh) * | 2020-12-11 | 2021-04-13 | 北京百度网讯科技有限公司 | 模型训练及路况预测方法、装置、设备、介质及程序产品 |
| CN113741394A (zh) * | 2021-09-06 | 2021-12-03 | 河海大学 | 一种基于半监督式增量学习的工业设备故障诊断系统 |
| CN113947693A (zh) * | 2021-10-13 | 2022-01-18 | 北京百度网讯科技有限公司 | 获取目标对象识别模型的方法、装置及电子设备 |
| CN114120410A (zh) * | 2021-11-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 用于生成标签信息的方法、装置、设备、介质和产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11138469B2 (en) * | 2019-01-15 | 2021-10-05 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
-
2022
- 2022-08-03 CN CN202210926650.3A patent/CN115273148B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086306A (zh) * | 2018-06-22 | 2018-12-25 | 国网浙江省电力有限公司 | 基于混合隐马尔可夫模型的原子事件标签的提取方法 |
| CN111783646A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 行人再识别模型的训练方法、装置、设备和存储介质 |
| CN112069929A (zh) * | 2020-08-20 | 2020-12-11 | 之江实验室 | 一种无监督行人重识别方法、装置、电子设备及存储介质 |
| CN112652165A (zh) * | 2020-12-11 | 2021-04-13 | 北京百度网讯科技有限公司 | 模型训练及路况预测方法、装置、设备、介质及程序产品 |
| CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
| CN113741394A (zh) * | 2021-09-06 | 2021-12-03 | 河海大学 | 一种基于半监督式增量学习的工业设备故障诊断系统 |
| CN113947693A (zh) * | 2021-10-13 | 2022-01-18 | 北京百度网讯科技有限公司 | 获取目标对象识别模型的方法、装置及电子设备 |
| CN114120410A (zh) * | 2021-11-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 用于生成标签信息的方法、装置、设备、介质和产品 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多标签协同学习的跨域行人重识别;李慧 等;《北京航空航天大学学报》;1-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115273148A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
| CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| US20240232575A1 (en) | Neural network obtaining method, data processing method, and related device | |
| CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
| US20240135698A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
| CN114612651B (zh) | Roi检测模型训练方法、检测方法、装置、设备和介质 | |
| CN113947700A (zh) | 模型确定方法、装置、电子设备和存储器 | |
| CN114332590B (zh) | 联合感知模型训练、联合感知方法、装置、设备和介质 | |
| CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
| CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
| CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
| CN114495101A (zh) | 文本检测方法、文本检测网络的训练方法及装置 | |
| CN113657596A (zh) | 训练模型和图像识别的方法和装置 | |
| CN115937993B (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
| CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
| CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
| CN115879004A (zh) | 目标模型的训练方法、装置、电子设备、介质和程序产品 | |
| CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN113989568A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
| CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 |
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 |