TW202209151A - 網路訓練、行人重識別方法、電子設備及電腦可讀存儲介質 - Google Patents
網路訓練、行人重識別方法、電子設備及電腦可讀存儲介質 Download PDFInfo
- Publication number
- TW202209151A TW202209151A TW109145593A TW109145593A TW202209151A TW 202209151 A TW202209151 A TW 202209151A TW 109145593 A TW109145593 A TW 109145593A TW 109145593 A TW109145593 A TW 109145593A TW 202209151 A TW202209151 A TW 202209151A
- Authority
- TW
- Taiwan
- Prior art keywords
- network
- pedestrian
- identification
- identification network
- image data
- Prior art date
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
本發明實施例關於一種網路訓練、行人重識別方法及儲存介質,雲端伺服器包括第一行人重識別網路,所述方法包括:向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數;接收多個邊端伺服器返回的第二網路參數,第二網路參數是每個邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對自身包括的第二行人重識別網路訓練得到的;根據多個邊端伺服器返回的第二網路參數,更新第一行人重識別網路,得到更新的第一行人重識別網路。
Description
本發明關於電腦技術領域,尤其關於一種網路訓練、行人重識別方法、電子設備及電腦可讀儲存介質。
行人重識別(Person Re-identification),也稱為行人再識別,是利用電腦視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。目前,行人重識別技術已廣泛應用於多個領域和行業,如應用於智慧視頻檢測、智慧安保等。由於行人重識別技術在處理圖像或視頻幀序列的過程中,涉及了人臉、人體、個人身份等隱私資料,因此,亟需一種可以避免隱私資料洩露的行人重識別方法。
本發明實施例提出了一種網路訓練、行人重識別方法、電子設備及以及電腦可讀儲存介質的技術方案。
根據本發明實施例的一方面,提供了一種網路訓練方法,所述方法應用於雲端伺服器,所述雲端伺服器中包括第一行人重識別網路,所述方法包括:向多個邊端伺服器發送所述第一行人重識別網路對應的第一網路參數;接收所述多個邊端伺服器返回的第二網路參數,其中,針對任一所述邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述第二行人重識別網路和所述第一行人重識別網路具有相同的網路結構,所述第二網路參數是所述邊端伺服器根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數對所述第二行人重識別網路進行訓練之後得到的;根據所述多個邊端伺服器返回的所述第二網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路。
在一種可能的實現方式中,所述根據所述多個邊端伺服器返回的所述第二網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路,包括:接收所述多個邊端伺服器返回的所述第二網路參數對應的權重,其中,針對任一所述邊端伺服器,所述第二網路參數對應的權重是所述邊端伺服器根據訓練前的所述第二行人重識別網路和訓練後的所述第二行人重識別網路確定得到的;根據所述多個邊端伺服器返回的所述第二網路參數對應的權重,對所述多個邊端伺服器返回的所述第二網路參數進行加權平均,得到更新後的所述第一網路參數;根據更新後的所述第一網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路。
在一種可能的實現方式中,所述方法還包括:向所述多個邊端伺服器發送共用圖像資料集;接收所述多個邊端伺服器返回的偽標籤,其中,針對任一所述邊端伺服器,所述偽標籤是所述邊端伺服器根據所述共用圖像資料集以及訓練後的所述第二行人重識別網路生成的;根據所述共用圖像資料集和所述多個邊端伺服器返回的偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路。
在一種可能的實現方式中,所述根據所述共用圖像資料集和所述多個邊端伺服器返回的偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路,包括:根據所述多個邊端伺服器返回的偽標籤,確定平均偽標籤;根據所述共用圖像資料集和所述平均偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路。
根據本發明實施例的一方面,提供了一種網路訓練方法,所述方法應用於邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述方法包括:接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,所述第一行人重識別網路和所述第二行人重識別網路具有相同的網路結構;根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數,對所述第二行人重識別網路進行訓練,得到訓練後的所述第二行人重識別網路,其中,所述第二行人重識別網路對應第二網路參數;向所述雲端伺服器發送所述第二網路參數。
在一種可能的實現方式中,所述根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數,對所述第二行人重識別網路進行訓練,得到訓練後的所述第二行人重識別網路,包括:根據所述本地圖像資料集和所述第一網路參數,對所述第二行人重識別網路和所述身份分類網路進行訓練,得到訓練後的所述第二行人重識別網路和訓練後的所述身份分類網路。
在一種可能的實現方式中,所述方法還包括:將訓練後的所述身份分類網路儲存在所述邊端伺服器中。
在一種可能的實現方式中,所述本地圖像資料集中包括多個身份對應的圖像資料;所述身份分類網路的維度與所述多個身份的個數相關。
在一種可能的實現方式中,所述方法還包括:接收所述雲端伺服器發送的共用圖像資料集;根據所述共用圖像資料集和訓練後的所述第二行人重識別網路,生成偽標籤;向所述雲端伺服器發送所述偽標籤。
在一種可能的實現方式中,所述方法還包括:根據訓練前的所述第二行人重識別網路和所述本地圖像資料集確定第一特徵向量,以及根據訓練後的所述第二行人重識別網路和所述本地圖像資料集,確定第二特徵向量;確定所述第一特徵向量和所述第二特徵向量之間的餘弦距離;根據所述餘弦距離,確定所述第二網路參數對應的權重;向所述雲端伺服器發送所述第二網路參數對應的權重。
在一種可能的實現方式中,所述邊端伺服器為圖像採集設備;所述本地圖像資料集是根據所述圖像採集設備採集得到的。
在一種可能的實現方式中,所述邊端伺服器與至少一個圖像採集設備連接,所述邊端伺服器和所述至少一個圖像採集設備位於相同地理區域範圍;所述本地圖像資料集是所述邊端伺服器從所述至少一個圖像採集設備中獲取得到的。
根據本發明實施例的一方面,提供了一種行人重識別方法,包括:通過目標行人重識別網路對在目標地理區域範圍內獲取到的至少一幀待識別圖像進行行人重識別處理,確定行人重識別結果;其中,所述目標行人重識別網路採用如上所述的網路訓練方法訓練得到。
在一種可能的實現方式中,所述目標行人重識別網路為更新後的第一行人重識別網路或訓練後的第一行人重識別網路。
在一種可能的實現方式中,在所述目標地理區域範圍內包括邊端伺服器,且所述邊端伺服器中包括訓練後的第二行人重識別網路的情況下,所述目標行人重識別網路為訓練後的第二行人重識別網路。
根據本發明實施例的一方面,提供了一種網路訓練裝置,所述網路訓練裝置應用於雲端伺服器,所述雲端伺服器中包括第一行人重識別網路,所述裝置包括:發送部分,被配置為向多個邊端伺服器發送所述第一行人重識別網路對應的第一網路參數;接收部分,被配置為接收所述多個邊端伺服器返回的第二網路參數,其中,針對任一所述邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述第二行人重識別網路和所述第一行人重識別網路具有相同的網路結構,所述第二網路參數是所述邊端伺服器根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數對所述第二行人重識別網路進行訓練之後得到的;更新部分,被配置為根據所述多個邊端伺服器返回的所述第二網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路。
根據本發明實施例的一方面,提供了一種網路訓練裝置,所述裝置應用於邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述裝置包括:接收部分,被配置為接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,所述第一行人重識別網路和所述第二行人重識別網路具有相同的網路結構;網路訓練部分,被配置為根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數,對所述第二行人重識別網路進行訓練,得到訓練後的所述第二行人重識別網路,其中,所述第二行人重識別網路對應第二網路參數;發送部分,被配置為向所述雲端伺服器發送所述第二網路參數。
根據本發明實施例的一方面,提供了一種行人重識別裝置,包括:行人重識別部分,被配置為通過目標行人重識別網路對在目標地理區域範圍內獲取到的至少一幀待識別圖像進行行人重識別處理,確定行人重識別結果;其中,所述目標行人重識別網路採用如上所述的網路訓練方法訓練得到。
根據本發明實施例的一方面,提供了一種電子設備,包括:處理器;被配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行上述方法。
根據本發明實施例的一方面,提供了一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述方法。
根據本發明實施例的一方面,提供了一種電腦程式,包括電腦可讀代碼,當所述電腦可讀代碼在電子設備中運行時,所述電子設備中的處理器執行時實現上述方法。
在本發明實施例中,在包括第一行人重識別網路的雲端伺服器中,通過向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數,以及接收多個邊端伺服器返回的第二網路參數,其中,針對任一邊端伺服器,邊端伺服器中包括和第一行人重識別網路具有相同的網路結構的第二行人重識別網路、身份分類網路和本地圖像資料集,第二網路參數是邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對第二行人重識別網路進行訓練之後得到的,進而根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
應當理解的是,以上的一般描述和後文的細節描述僅是示例性和解釋性的,而非限制本發明實施例。根據下面參考附圖對示例性實施例的詳細說明,本發明實施例的其它特徵及方面將變得清楚。
以下將參考附圖詳細說明本發明的各種示例性實施例、特徵和方面。附圖中相同的附圖標記表示功能相同或相似的組件。儘管在附圖中示出了實施例的各種方面,但是除非特別指出,不必按比例繪製附圖。
在這裡專用的詞“示例性”意為“用作例子、實施例或說明性”。這裡作為“示例性”所說明的任何實施例不必解釋為優於或好於其它實施例。
本文中術語“和/或”,僅僅是一種描述關聯物件的關聯關係,表示可以存在三種關係,例如,A和/或B,可以表示:單獨存在A,同時存在A和B,單獨存在B這三種情況。另外,本文中術語“至少一種”表示多種中的任意一種或多種中的至少兩種的任意組合,例如,包括A、B、C中的至少一種,可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
另外,為了更好地說明本發明實施例,在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解,沒有某些具體細節,本發明實施例同樣可以實施。在一些實例中,對於本領域技術人員熟知的方法、手段、組件和電路未作詳細描述,以便於凸顯本發明實施例的主旨。
圖1示出根據本發明實施例的一種網路訓練方法的流程圖。該網路訓練方法可以由雲端伺服器執行,雲端伺服器中包括第一行人重識別網路。在一些可能的實現方式中,該網路訓練方法可以通過雲端伺服器調用記憶體中儲存的電腦可讀指令的方式來實現。如圖1所示,該方法可以包括:
在步驟S11中,向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數。
在步驟S12中,接收多個邊端伺服器返回的第二網路參數,其中,針對任一邊端伺服器,邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,第二行人重識別網路和第一行人重識別網路具有相同的網路結構,第二網路參數是邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對第二行人重識別網路進行訓練之後得到的。
在步驟S13中,根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。
雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。此外,由於無需將圖像資料集上傳至雲端伺服器,可以有效節約通信頻寬。
雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練時,雲端伺服器可以基於聯邦學習演算法聯合多個邊端伺服器進行網路訓練。例如,多個社區聯合訓練一個行人重識別網路,每個社區都設置一個邊端伺服器,通過聯邦學習演算法,圖像資料集(設置在社區內部或附近的圖像採集設備採集得到的圖像資料集)仍然儲存在社區內(本地邊端伺服器),無需上傳至其它社區(其它邊端伺服器),從而保護了資料隱私性。
實際應用中,由於不同邊端伺服器中的本地圖像資料集的資料量不相同,使得不同邊端伺服器之間的資料具有異構性。傳統的聯邦學習演算法在利用多個邊端伺服器進行網路訓練時,根據不同邊端伺服器中的資料量來設置邊端伺服器中網路訓練得到的第二網路參數的權重。但是,由於資料量的多少並不能直接反映網路訓練的訓練效果,因此,雲端伺服器利用邊端伺服器中基於這種權重確定方法得到的第二網路參數的權重對第一行人重識別網路進行更新,會導致更新後的第一行人重識別網路的精度較低。
在一種可能的實現方式中,根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路,包括:接收多個邊端伺服器返回的第二網路參數對應的權重,其中,針對任一邊端伺服器,第二網路參數對應的權重是邊端伺服器根據訓練前的第二行人重識別網路和訓練後的第二行人重識別網路確定得到的;根據多個邊端伺服器返回的第二網路參數對應的權重,對多個邊端伺服器返回的第二網路參數進行加權平均,得到更新後的第一網路參數;根據更新後的第一網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。
由於邊端伺服器發送的第二網路參數的權重是邊端伺服器根據訓練前的第二行人重識別網路和訓練後的第二行人重識別網路確定得到的,也就是說,第二網路參數的權重是根據邊端伺服器的訓練效果確定的,使得雲端伺服器根據各邊端伺服器返回的第二網路參數對應的權重,對多個邊端伺服器返回的第二網路參數進行加權平均後得到精度較高的更新後的第一網路參數,進而根據更新後的第一網路參數,對第一行人重識別網路進行更新之後,有效提高了更新後的第一行人重識別網路的精度。
實際應用中,由於不同邊端伺服器中的本地圖像資料集是在不同場景(光照、角度)下採集得到的,使得不同邊端伺服器之間的資料具有異構性,進而導致各邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數訓練得到的訓練後的第二行人重識別網路的性能,優於雲端伺服器聯合多個邊端伺服器訓練得到的更新後的第一行人重識別網路。因此,可以基於知識蒸餾演算法,將各邊端伺服器中訓練後的第二行人重識別網路作為教師網路,將雲端伺服器中更新後的第一行人重識別網路作為學生網路,利用教師網路對學生網路進行訓練(利用更新後的第二行人重識別網路對更新後的第一行人重識別網路進行訓練),以提高第一行人重識別網路訓練過程的穩定性和收斂性。
在一種可能的實現方式中,該方法還包括:向多個邊端伺服器發送共用圖像資料集;接收多個邊端伺服器返回的偽標籤,其中,針對任一邊端伺服器,偽標籤是邊端伺服器根據共用圖像資料集以及訓練後的第二行人重識別網路生成的;根據共用圖像資料集和多個邊端伺服器返回的偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路。
雲端伺服器接收各邊端伺服器返回的偽標籤,由於該偽標籤是邊端伺服器根據共用圖像資料集以及訓練後的第二行人重識別網路生成的,該偽標籤可以用於表示訓練後的第二行人重識別網路的網路特性,因此,根據共用圖像資料集和多個邊端伺服器返回的偽標籤,對更新後的第一行人重識別網路進行訓練,相當於綜合各邊端伺服器的網路特性對更新後的第一行人重識別網路進行訓練,從而可以有效提高第一行人重識別網路訓練過程的穩定性和收斂性。其中,共用圖像資料集指的是雲端伺服器和各邊端伺服器均可用於進行網路訓練的圖像資料集。
圖2示出根據本發明實施例提供的示例性的一種網路訓練的結構圖。如圖2所示,多個邊端伺服器中訓練後的第二行人重識別網路構成教師網路1、教師網路2、……、教師網路,其中,為多個邊端伺服器的個數,。雲端伺服器中更新後的第一行人重識別網路構成學生網路。教師網路1利用共用圖像資料集生成偽標籤,以及將偽標籤發送至雲端伺服器;將教師網路2利用共用圖像資料集生成偽標籤,以及將偽標籤發送至雲端伺服器;……;教師網路利用共用圖像資料集生成偽標籤,以及將偽標籤發送至雲端伺服器。雲端伺服器根據偽標籤、偽標籤、……、偽標籤、以及共用圖像資料集,對學生網路(更新後的第一行人重識別網路)進行訓練,得到訓練後的第一行人重識別網路。
在一種可能的實現方式中,根據共用圖像資料集和多個邊端伺服器返回的偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路,包括:根據多個邊端伺服器返回的偽標籤,確定平均偽標籤;根據共用圖像資料集和平均偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路。
例如,雲端伺服器聯合N(N>1)個邊端伺服器對第一行人重識別網路進行訓練,雲端伺服器接收第個邊端伺服器返回的偽標籤,其中,偽標籤是第個邊端伺服器根據共用圖像資料集以及第個邊端伺服器中訓練後的第二行人重識別網路生成的。雲伺服器根據個邊端伺服器返回的偽標籤,通過下述公式(1)確定平均偽標籤: (1),
進而雲端伺服器根據共用圖像資料集和平均偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路。
在本發明實施例中,在包括第一行人重識別網路的雲端伺服器中,通過向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數,以及接收多個邊端伺服器返回的第二網路參數,其中,針對任一邊端伺服器,邊端伺服器中包括和第一行人重識別網路具有相同的網路結構的第二行人重識別網路、身份分類網路和本地圖像資料集,第二網路參數是邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對第二行人重識別網路進行訓練之後得到的,進而根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
圖3示出根據本發明實施例的一種網路訓練方法的流程圖。該網路訓練方法可以由邊端伺服器執行,邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集。在一些可能的實現方式中,該網路訓練方法可以通過邊端伺服器調用記憶體中儲存的電腦可讀指令的方式來實現。如圖3所示,該方法可以包括:
在步驟S31中,接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,第一行人重識別網路和第二行人重識別網路具有相同的網路結構。
在步驟S32中,根據本地圖像資料集、身份分類網路和第一網路參數,對第二行人重識別網路進行訓練,得到訓練後的第二行人重識別網路,其中,第二行人重識別網路對應第二網路參數。
在步驟S33中,向雲端伺服器發送第二網路參數。
邊端伺服器聯合雲端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
在一種可能的實現方式中,邊端伺服器為圖像採集設備;本地圖像資料集是根據圖像採集設備採集得到的。
在邊端伺服器為直接與雲端伺服器進行通信的圖像採集設備(例如,智慧攝影頭)的情況下,圖像採集設備需要具備一定的算力、儲存能力和通信能力。圖像採集設備採集圖像得到本地圖像資料集,並定時刪除清理本地圖像資料集中的失效圖像資料(例如,緩存時長超過預設閾值的圖像資料),以減少儲存壓力。圖像採集設備接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,根據本地圖像資料集和第一網路參數,對第二行人重識別網路進行訓練,得到對應第二網路參數的訓練後的第二行人重識別網路,進而向雲端伺服器發送第二網路參數。
在一種可能的實現方式中,邊端伺服器與至少一個圖像採集設備連接,邊端伺服器和至少一個圖像採集設備位於相同地理區域範圍;本地圖像資料集是邊端伺服器從至少一個圖像採集設備中獲取得到的。
在相同地理區域範圍內設置有至少一個圖像採集設備的情況下,可以在該地理區域範圍內設置一個邊端伺服器,此時,無需該至少一個圖像採集設備具備儲存能力和算力。邊端伺服器與各圖像採集設備連接,進而從各圖像採集設備獲取圖像以構建本地圖像資料集。邊端伺服器接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,根據本地圖像資料集和第一網路參數,對第二行人重識別網路進行訓練,得到對應第二網路參數的訓練後的第二行人重識別網路,進而向雲端伺服器發送第二網路參數。
在一種可能的實現方式中,根據本地圖像資料集、身份分類網路和第一網路參數,對第二行人重識別網路進行訓練,得到訓練後的第二行人重識別網路,包括:根據本地圖像資料集和第一網路參數,對第二行人重識別網路和身份分類網路進行訓練,得到訓練後的第二行人重識別網路和訓練後的身份分類網路。
在一種可能的實現方式中,本地圖像資料集中包括多個身份對應的圖像資料;身份分類網路的維度與多個身份的個數相關。
由於訓練後的行人重識別網路是對圖像進行身份識別的網路,因此,在對行人重識別網路進行訓練的過程中,需要用到包括多個身份對應的圖像資料的本地圖像資料集,以及身份分類網路,身份分類網路的維度與本地圖像資料集中包括的多個身份的個數相關。例如,本地圖像資料集中包括100個身份對應的圖像資料,則身份分類網路的維度為100。也就是說,身份分類網路中包括100個不同身份類別。
邊端伺服器將本地的第二行人重識別網路和身份分類網路構建為組合網路,並利用從雲端伺服器接收到的第一網路參數和本地圖像資料集對組合網路進行訓練,進而得到訓練後的組合網路,其中,訓練後的組合網路中包括訓練後的第二行人重識別網路和訓練後的身份分類網路,訓練後的第二行人重識別網路對應第二網路參數。進而邊端伺服器將第二網路參數發送至雲端伺服器。由於第一行人重識別網路和第二行人重識別網路具有相同的網路結構,因此,可以利用第二網路參數對第一行人重識別網路進行更新。
在一種可能的實現方式中,該方法還包括:將訓練後的身份分類網路儲存在邊端伺服器中。
由於雲端伺服器中訓練得到的第一行人重識別網路在實際進行行人重識別處理過程中,無需用到分類器網路,因此,為了節約通信頻寬,以及確保基於聯邦學習演算法進行聯合訓練過程中雲端伺服器和邊端伺服器中網路結構的一致性,邊端伺服器僅將訓練後的第二行人重識別網路對應的第二網路參數發送至雲端伺服器,而將訓練後的身份分類網路儲存在邊端伺服器本地。
在一種可能的實現方式中,該方法還包括:接收雲端伺服器發送的共用圖像資料集;根據共用圖像資料集和訓練後的第二行人重識別網路,生成偽標籤;向雲端伺服器發送偽標籤。
仍以上述圖2為例,如圖2所示,邊端伺服器接收雲端伺服器發送的共用圖像資料集,以及利用共用圖像資料集和本地訓練後的第二行人重識別網路生成偽標籤,進而邊端伺服器向雲端伺服器發送偽標籤,由於該偽標籤可以用於表示訓練後的第二行人重識別網路的網路特性,以使得雲端伺服器根據該偽標籤對雲端伺服器中更新後的第一行人重識別網路進行網路訓練後得到的訓練後的第一行人重識別網路,使得訓練後的第一行人重識別網路的網路性能與邊端伺服器中訓練後的第二行人重識別網路更接近,從而有效提高第一行人重識別網路訓練過程的穩定性和收斂性。
在一種可能的實現方式中,該方法還包括:根據訓練前的第二行人重識別網路和本地圖像資料集確定第一特徵向量,以及根據訓練後的第二行人重識別網路和本地圖像資料集,確定第二特徵向量;確定第一特徵向量和第二特徵向量之間的餘弦距離;根據餘弦距離,確定第二網路參數對應的權重;向雲端伺服器發送第二網路參數對應的權重。
圖4示出根據本發明實施例提供的示例性的一種確定第二網路參數的權重的示意圖。如圖4所示,邊端伺服器根據訓練前的第二行人重識別網路和本地圖像資料集生成第一特徵向量。邊端伺服器根據從雲端伺服器接收到的第一網路參數進行網路訓練得到訓練後的第二行人重識別網路。邊端伺服器根據訓練後的第二行人重識別網路和本地圖像資料集生成第二特徵向量。邊端伺服器確定第一特徵向量和第二特徵向量之間的餘弦距離。邊端伺服器根據餘弦距離確定訓練後的第二行人重識別網路對應的第二網路參數的權重。餘弦距離越大,表示本次網路訓練產生的變化越大,訓練效果較好,則分配較大的權重;餘弦距離越小,表示本次網路訓練產生的變化越小,訓練效果較差,則分配較小的權重。進而邊端伺服器將確定好的第二網路參數對應的權重發送至雲端伺服器,由於第二網路參數的權重是根據邊端伺服器中的網路訓練效果確定的,使得雲端伺服器基於該權重更新第一行人重識別網路後,可以有效提高更新後的第一行人重識別網路的精度。
本發明實施例中,在包括第二行人重識別網路、身份分類網路和本地圖像資料集的邊端伺服器中,通過接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,第一行人重識別網路和第二行人重識別網路具有相同的網路結構,以及根據本地圖像資料集、身份分類網路和第一網路參數,對第二行人重識別網路進行訓練,得到對應第二網路參數的訓練後的第二行人重識別網路後,向雲端伺服器發送第二網路參數。邊端伺服器聯合雲端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
在一種可能的實現方式中,雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練時,多個邊端伺服器可以全部是直接與雲端伺服器進行通信的圖像採集設備(例如,智慧攝影頭)。圖5示出根據本發明實施例提供的示例性的一種雲端伺服器-邊端伺服器的網路結構圖。如圖5所示,與雲端伺服器連接的5個邊端伺服器均為圖像採集設備(圖像採集設備1、圖像採集設備2、圖像採集設備3、圖像採集設備4和圖像採集設備5)。在這種網路結構下,各圖像採集設備需要具備一定的算力、儲存能力和通信能力。各圖像採集設備採集圖像得到本地圖像資料集,並定時刪除清理本地圖像資料集中的失效圖像資料(例如,緩存時長超過預設閾值的圖像資料),以減少儲存壓力。雲端伺服器聯合5個作為邊端伺服器的圖像採集設備對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在各圖像採集設備本地,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
在一種可能的實現方式中,雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練時,多個邊端伺服器可以全部是與至少一個圖像採集設備連接的邊端伺服器,各邊端伺服器與其連接的至少一個圖像採集設備位於相同地理區域範圍。圖6示出根據本發明實施例提供的示例性的一種雲端伺服器-邊端伺服器-終端設備的網路結構圖。如圖6所示,雲端伺服器與邊端伺服器A和邊端伺服器B直接進行通信。邊端伺服器A與終端設備1和終端設備2連接,終端設備1和終端設備2為圖像採集設備(圖像採集設備1和圖像採集設備2,例如,圖像採集設備為攝影頭),邊端伺服器A、圖像採集設備1和圖像採集設備2設置在相同地理區域範圍(例如,同一社區,或同一公司),邊端伺服器A分別從圖像採集設備1和圖像採集設備2獲取圖像以構建本地圖像資料集。邊端伺服器B與終端設備3、終端設備4和終端設備5連接,終端設備3、終端設備4和終端設備5為圖像採集設備(圖像採集設備3、圖像採集設備4和圖像採集設備5,例如,圖像採集設備為攝影頭),邊端伺服器B、圖像採集設備3、圖像採集設備4和圖像採集設備5設置在相同地理區域範圍(例如,同一社區,或同一公司),邊端伺服器B分別從圖像採集設備3、圖像採集設備4和圖像採集設備5獲取圖像以構建本地圖像資料集。雲端伺服器聯合2個邊端伺服器(邊端伺服器A和邊端伺服器B)對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在各邊端伺服器本地,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護了資料隱私性。
根據上述論述可知,本發明提出了兩種聯邦學習和行人重識別結合的訓練架構:雲邊架構和端邊雲架構。
雲邊架構:雲端伺服器直接和智慧攝影頭進行通信,雲端協調多個智慧攝影頭同時進行訓練。智慧攝影頭將圖片緩存在邊端,並定時刪除清理以減少邊端伺服器的儲存壓力。且這種架構要求智慧攝影頭有一定的算力、儲存和通信能力。
雲邊端架構:邊緣閘道(即上述的邊端伺服器)連接多個智能攝影頭,雲端伺服器連接多個邊緣閘道,行人重識別訓練圖片從智慧攝影頭傳入邊緣閘道,並緩存在邊緣閘道,邊緣閘道與雲端伺服器進行聯邦學習的訓練。在這個過程中,資料仍然保留在邊緣閘道,資料隱私仍然能得到保護。其中,典型的應用場景,如多個社區聯合訓練一個行人重識別模型,每個社區都有一台邊緣閘道連接多個智慧攝影頭,通過聯邦學習的方式,資料仍然保留在社區內,不傳輸到其他社區或者雲端伺服器,以此保護了資料隱私。
在一種可能的實現方式中,雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練時,多個邊端伺服器還可以部分是直接與雲端伺服器進行通信的圖像採集設備(例如,智慧攝影頭),部分是與至少一個圖像採集設備連接的邊端伺服器,本發明實施例對此不做具體限定。
圖7示出根據本發明實施例提供的示例性的一種網路訓練的結構圖。如圖7所示,雲端伺服器可以和多個邊端伺服器(邊端伺服器1、邊端伺服器2,……,邊端伺服器N)進行通信,且雲端伺服器中包括的第一行人重識別網路和邊端伺服器中包括的第二行人重識別網路具有相同的網路結構。各邊端伺服器中還包括本地圖像資料集以及身份分類網路。雲端伺服器向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數,各邊端伺服器接收到第一網路參數後,利用本地圖像資料集和身份分類網路對第二行人重識別網路進行訓練,得到對應第二網路參數的訓練後的第二行人重識別網路,以及訓練後的身份分類網路。為了確保雲端伺服器和各邊端伺服器聯合訓練的網路結構一致,各邊端伺服器僅將訓練後的第二行人重識別網路對應的第二網路參數發送至雲端伺服器。雲端伺服器根據接收到的多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。進而將更新後的第一行人重識別網路對應的第一網路參數發送至多個邊端伺服器進行迴圈訓練,直至雲端伺服器中更新後的第一行人重識別網路的識別精度達到閾值,或者迴圈訓練的次數達到預設次數,結束訓練。
通用的聯邦學習演算法(Federated Averaging,FedAvg)要求進行同步的多方的模型(行人重識別深度學習模型,即上述的行人重識別網路)必須是完全一樣的。行人重識別深度學習模型的分類器層(即上述的身份分類網路)取決於每一方的資料包含多少個不同的行人,所以參與訓練的多方模型的分類器層可能會不同,導致參與聯邦學習的多方的模型可能會有區別,因此聯邦學習演算法FedAvg在上述的應用場景場景下不適用。根據上述內容可知,由於本發明中改進了聯邦學習演算法,即允許參與聯邦學習的多方的模型有部分不同,所以使聯邦學習能更好的應用在行人重識別的訓練上。
由於不同邊端伺服器中的本地圖像資料集的資料量不相同,使得不同邊端伺服器之間的資料具有異構性。在聯合多個邊端伺服器對第一行人重識別網路進行訓練時,為了降低資料異構性對更新後的第一行人重識別網路的精度的影響,在各邊端伺服器中可以採用基於訓練效果的權重確定方法來確定訓練後的第二行人重識別網路對應的第二網路參數的權重,從而使得雲端伺服器聯合各邊端伺服器返回的第二網路參數對第一行人重識別網路進行更新後,得到精度較高的更新後的第一行人重識別網路。基於訓練效果的權重確定方法的具體步驟如上述實施例相關部分所述,在此不再贅述。
由於不同邊端伺服器中的本地圖像資料集是在不同場景(光照、角度)下採集得到的,使得不同邊端伺服器之間的資料具有異構性,進而導致各邊端伺服器根據本地圖像資料集和第一網路參數訓練得到的訓練後的第二行人重識別網路的性能,優於雲端伺服器聯合多個邊端伺服器訓練得到的更新後的第一行人重識別網路。為了提高第一行人重識別網路訓練過程的穩定性和收斂性,可以採用知識蒸餾演算法,基於各邊端伺服器中更新後的第二行人重識別網路、共用圖像資料集,對雲端伺服器中更新後的第一行人重識別網路進行訓練,從而有效提高了第一行人重識別網路訓練過程的穩定性和收斂性。基於知識蒸餾演算法的具體訓練過程如上述實施例相關部分所述,在此不再贅述。
基於上述內容可知,本發明提出使用知識蒸餾的方法,將參與聯邦學習的多方的本地模型當成教師模型,雲端伺服器的模型作為學生模型,用知識蒸餾的方法更好的將教師模型的知識傳遞到學生模型,以此提高了模型訓練的穩定性和收斂性。
在基於圖7所示的網路結構對行人重識別網路進行訓練的過程中,基於訓練效果的權重確定方法和基於知識蒸餾演算法的網路訓練可以分別單獨使用,也可以綜合使用,本發明實施例對此不做具體限定。
在一種應用場景中,例如,在多個公司或者機構要聯合進行行人重識別網路的訓練,以提高訓練後的行人重識別網路的魯棒性的情況下,為了避免將多方資料匯總到同一個伺服器上產生的資料隱私洩露的問題,可以基於圖7所示的網路結構來對行人重識別網路進行聯合訓練,其中,多個公司或者機構作為邊端伺服器,多個公司或者機構與同一個雲端伺服器進行直接通信,訓練過程中資料仍然保存在本地,無需上傳至雲端伺服器,從而可以在雲端伺服器中通過有效訓練得到行人重識別網路的同時,保護了多個公司或者機構的資料隱私性。
在一種應用場景中,例如,公司A為公司B提供行人重識別網路的訓練服務,如果將公司B的各圖像採集設備(例如,智慧攝影頭)的圖像資料都上傳至公司A,將會產生資料隱私權洩露問題。此時,公司A可以基於圖7所示的網路結構來對行人重識別網路進行聯合訓練,公司A可以作為雲端伺服器,公司B中的各圖像採集設備可以作為多個邊端伺服器,訓練過程中資料仍然保存在公司B本地,無需上傳至公司A,從而可以在公司B中通過有效訓練得到行人重識別網路的同時保護了公司A的資料隱私性。
本發明實施例還提供一種行人重識別方法。該行人重識別方法可以由終端設備或其它處理設備執行,其中,終端設備可以為圖像採集設備(例如,智慧攝影頭)、使用者設備(User Equipment,UE)、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理(Personal Digital Assistant,PDA)、手持設備、計算設備、車載設備、可穿戴設備等。其它處理設備可為伺服器或雲端伺服器等。在一些可能的實現方式中,該行人重識別方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。該方法可以包括:
通過目標行人重識別網路對在目標地理區域範圍內獲取到的至少一幀待識別圖像進行行人重識別處理,確定行人重識別結果;其中,目標行人重識別網路採用前述實施例的網路訓練方法訓練得到。
目標行人重識別網路可以對目標地理區域範圍內的至少一幀待識別圖像進行行人重識別處理,確定該至少一幀待識別圖像中是否存在特性行人。
在一種可能的實現方式中,目標行人重識別網路為更新後的第一行人重識別網路或訓練後的第一行人重識別網路。
由於雲端伺服器中更新後的第一行人重識別網路或訓練後的第一行人重識別網路具有普適性,即可以應用於任意應用場景,因此,可以利用雲端伺服器中更新後的第一行人重識別網路或訓練後的第一行人重識別網路,實現對在目標地理區域範圍內獲取到的至少一幀待識別圖像的行人重識別處理,以得到行人重識別結果。
在一種可能的實現方式中,在目標地理區域範圍內包括邊端伺服器,且邊端伺服器中包括訓練後的第二行人重識別網路的情況下,目標行人重識別網路為訓練後的第二行人重識別網路。
結合上述雲端伺服器和邊端伺服器的網路訓練方法實施例可知,由於不同邊端伺服器中的本地圖像資料集是在不同場景(光照、角度)下採集得到的,使得不同邊端伺服器之間的資料具有異構性,不同邊端伺服器根據本地圖像資料集訓練得到的訓練後的第二行人重識別網路具有個性化,更適應本地場景,進而導致各邊端伺服器中訓練後的第二行人重識別網路的性能,優於雲端伺服器聯合多個邊端伺服器訓練得到的更新後的第一行人重識別網路。因此,在目標地理區域範圍內包括邊端伺服器,且邊端伺服器中包括訓練後的第二行人重識別網路的情況下,可以利用更適應目標地理區域範圍的本地場景的訓練後的第二行人重識別網路,對至少一幀待識別圖像進行行人重識別處理,以提高處理結果的準確性。
本發明中,在進行一次部署之後,能根據邊端伺服器產生的資料進行進一步訓練反覆運算,可以達到低成本的模型持續更新反覆運算。
可以理解,本發明實施例提及的上述各個方法實施例,在不違背原理邏輯的情況下,均可以彼此相互結合形成結合後的實施例,限於篇幅,本發明實施例不再贅述。本領域技術人員可以理解,在具體實施方式的上述方法中,各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
此外,本發明實施例還提供了網路訓練/行人重識別裝置、電子設備、電腦可讀儲存介質、程式,上述均可用來實現本發明實施例提供的任一種網路訓練/行人重識別方法,相應技術方案和描述和參見方法部分的相應記載,不再贅述。
圖8示出根據本發明實施例的一種網路訓練裝置的方塊圖。該網路訓練裝置應用於雲端伺服器,雲端伺服器中包括第一行人重識別網路。如圖8所示,裝置80包括:
發送部分81,被配置為向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數;
接收部分82,被配置為接收多個邊端伺服器返回的第二網路參數,其中,針對任一邊端伺服器,邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,第二行人重識別網路和第一行人重識別網路具有相同的網路結構,第二網路參數是邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對第二行人重識別網路進行訓練之後得到的;
更新部分83,被配置為根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。
在一種可能的實現方式中,更新部分83,包括:
接收子部分,被配置為接收多個邊端伺服器返回的第二網路參數對應的權重,其中,針對任一邊端伺服器,第二網路參數對應的權重是邊端伺服器根據訓練前的第二行人重識別網路和訓練後的第二行人重識別網路確定得到的;
第一更新子部分,被配置為根據多個邊端伺服器返回的第二網路參數對應的權重,對多個邊端伺服器返回的第二網路參數進行加權平均,得到更新後的第一網路參數;
第二更新子部分,被配置為根據更新後的第一網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。
在一種可能的實現方式中,發送部分81,還被配置為向多個邊端伺服器發送共用圖像資料集;
接收部分82,還被配置為接收多個邊端伺服器返回的偽標籤,其中,針對任一邊端伺服器,偽標籤是邊端伺服器根據共用圖像資料集以及訓練後的第二行人重識別網路生成的;
裝置80,還包括:
網路訓練部分,被配置為根據共用圖像資料集和多個邊端伺服器返回的偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路。
在一種可能的實現方式中,網路訓練部分,還被配置為:
根據多個邊端伺服器返回的偽標籤,確定平均偽標籤;
根據共用圖像資料集和平均偽標籤,對更新後的第一行人重識別網路進行訓練,得到訓練後的第一行人重識別網路。
圖9示出根據本發明實施例的一種網路訓練裝置的方塊圖。該網路訓練裝置應用於邊端伺服器,邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集。如圖9所示,裝置90包括:
接收部分91,被配置為接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,第一行人重識別網路和第二行人重識別網路具有相同的網路結構;
網路訓練部分92,被配置為根據本地圖像資料集、身份分類網路和第一網路參數,對第二行人重識別網路進行訓練,得到訓練後的第二行人重識別網路,其中,第二行人重識別網路對應第二網路參數;
發送部分93,被配置為向雲端伺服器發送第二網路參數。
在一種可能的實現方式中,網路訓練部分92,還被配置為:
根據本地圖像資料集和第一網路參數,對第二行人重識別網路和身份分類網路進行訓練,得到訓練後的第二行人重識別網路和訓練後的身份分類網路。
在一種可能的方式中,裝置90,還包括:
儲存部分,被配置為將訓練後的身份分類網路儲存在邊端伺服器中。
在一種可能的方式中,本地圖像資料集中包括多個身份對應的圖像資料;身份分類網路的維度與多個身份的個數相關。
在一種可能的方式中:
接收部分91,還被配置為接收雲端伺服器發送的共用圖像資料集;
裝置90,還包括:
偽標籤生成部分,被配置為根據共用圖像資料集和訓練後的第二行人重識別網路,生成偽標籤;
發送部分93,還被配置為向雲端伺服器發送所述偽標籤。
在一種可能的方式中,裝置90,還包括:
第一確定部分,被配置為根據訓練前的第二行人重識別網路和本地圖像資料集確定第一特徵向量,以及根據訓練後的第二行人重識別網路和本地圖像資料集,確定第二特徵向量;
第二確定部分,被配置為確定第一特徵向量和第二特徵向量之間的餘弦距離;
第三確定部分,被配置為根據餘弦距離,確定第二網路參數對應的權重;
發送部分93,還被配置為向雲端伺服器發送第二網路參數對應的權重。
在一種可能的方式中,邊端伺服器為圖像採集設備;本地圖像資料集是根據圖像採集設備採集得到的。
在一種可能的方式中,邊端伺服器與至少一個圖像採集設備連接,邊端伺服器和至少一個圖像採集設備位於相同地理區域範圍;本地圖像資料集是邊端伺服器從至少一個圖像採集設備中獲取得到的。
本發明實施例還提供一種行人重識別裝置,包括:行人重識別部分,被配置為通過目標行人重識別網路對在目標地理區域範圍內獲取到的至少一幀待識別圖像進行行人重識別處理,確定行人重識別結果;其中,目標行人重識別網路採用上述網路訓練方法訓練得到。
在一種可能的實現方式中,目標行人重識別網路為更新後的第一行人重識別網路或訓練後的第一行人重識別網路。
在一種可能的實現方式中,在目標地理區域範圍內包括邊端伺服器,且邊端伺服器中包括訓練後的第二行人重識別網路的情況下,目標行人重識別網路為訓練後的第二行人重識別網路。
在一些實施例中,本發明實施例提供的網路訓練/行人重識別裝置具有的功能或包含的部分可以被配置為執行上文方法實施例描述的方法,其具體實現可以參照上文方法實施例的描述,為了簡潔,這裡不再贅述。
在本發明實施例以及其他的實施例中,“部分”可以是部分電路、部分處理器、部分程式或軟體等等,當然也可以是單元,還可以是模組也可以是非模組化的。
本發明實施例還提出一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
本發明實施例還提出一種電子設備,包括:處理器;被配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行上述方法。
本發明實施例還提供了一種電腦程式產品,包括電腦可讀代碼,在電腦可讀代碼在設備上運行的情況下,設備中的處理器執行用於實現如上任一實施例提供的網路訓練/行人重識別方法的指令。
本發明實施例還提供了另一種電腦程式產品,被配置為儲存電腦可讀指令,指令被執行時使得電腦執行上述任一實施例提供的網路訓練/行人重識別方法的操作。
電子設備可以被提供為終端、伺服器或其它形態的設備。
圖10示出根據本發明實施例的一種電子設備的方塊圖。如圖10所示,電子設備800可以是圖像採集設備(例如,智慧攝影頭)、行動電話,電腦,數位廣播終端,消息收發設備,遊戲控制台,平板設備,醫療設備,健身設備,個人數位助理等終端。
參照圖10,電子設備800可以包括以下一個或多個組件:處理組件802,記憶體804,電源組件806,多媒體組件808,音頻組件810,輸入/輸出(I/ O)的介面812,感測器組件814,以及通信組件816。
處理組件802通常控制電子設備800的整體操作,諸如與顯示,電話呼叫,資料通信,相機操作和記錄操作相關聯的操作。處理組件802可以包括一個或多個處理器820來執行指令,以完成上述的方法的全部或部分步驟。此外,處理組件802可以包括一個或多個模組,便於處理組件802和其他組件之間的交互。例如,處理組件802可以包括多媒體模組,以方便多媒體組件808和處理組件802之間的交互。
記憶體804被配置為儲存各種類型的資料以支援在電子設備800的操作。這些資料的示例包括用於在電子設備800上操作的任何應用程式或方法的指令,連絡人資料,電話簿資料,消息,圖片,視頻等。記憶體804可以由任何類型的易失性或非易失性存放裝置或者它們的組合實現,如靜態隨機存取記憶體(SRAM),電可擦除可程式設計唯讀記憶體(EEPROM),可擦除可程式設計唯讀記憶體(EPROM),可程式設計唯讀記憶體(PROM),唯讀記憶體(ROM),磁記憶體,快閃記憶體,磁片或光碟。
電源組件806為電子設備800的各種組件提供電力。電源組件806可以包括電源管理系統,一個或多個電源,及其他與為電子設備800生成、管理和分配電力相關聯的組件。
多媒體組件808包括在所述電子設備800和使用者之間的提供一個輸出介面的螢幕。在一些實施例中,螢幕可以包括液晶顯示器(LCD)和觸摸面板(TP)。如果螢幕包括觸摸面板,螢幕可以被實現為觸控式螢幕,以接收來自使用者的輸入信號。觸摸面板包括一個或多個觸摸感測器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸感測器可以不僅感測觸摸或滑動動作的邊界,而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中,多媒體組件808包括一個前置攝影頭和/或後置攝影頭。當電子設備800處於操作模式,如拍攝模式或視訊模式時,前置攝影頭和/或後置攝影頭可以接收外部的多媒體資料。每個前置攝影頭和後置攝影頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件810被配置為輸出和/或輸入音頻信號。例如,音頻組件810包括一個麥克風(MIC),當電子設備800處於操作模式,如呼叫模式、記錄模式和語音辨識模式時,麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步儲存在記憶體804或經由通信組件816發送。在一些實施例中,音頻組件810還包括一個揚聲器,用於輸出音頻信號。
I/ O介面812為處理組件802和週邊介面模組之間提供介面,上述週邊介面模組可以是鍵盤,點擊輪,按鈕等。這些按鈕可包括但不限於:主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
感測器組件814包括一個或多個感測器,用於為電子設備800提供各個方面的狀態評估。例如,感測器組件814可以檢測到電子設備800的打開/關閉狀態,組件的相對定位,例如所述組件為電子設備800的顯示器和小鍵盤,感測器組件814還可以檢測電子設備800或電子設備800一個組件的位置改變,使用者與電子設備800接觸的存在或不存在,電子設備800方位或加速/減速和電子設備800的溫度變化。感測器組件814可以包括接近感測器,被配置用來在沒有任何的物理接觸時檢測附近物體的存在。感測器組件814還可以包括光感測器,如互補金屬氧化物半導體(CMOS)或電荷耦合裝置(CCD)圖像感測器,用於在成像應用中使用。在一些實施例中,該感測器組件814還可以包括加速度感測器,陀螺儀感測器,磁感測器,壓力感測器或溫度感測器。
通信組件816被配置為便於電子設備800和其他設備之間有線或無線方式的通信。電子設備800可以接入基於通信標準的無線網路,如無線網路(WiFi),第二代移動通信技術(2G)或第三代移動通信技術(3G),或它們的組合。在一個示例性實施例中,通信組件816經由廣播通道接收來自外部廣播管理系統的廣播信號或廣播相關資訊。在一個示例性實施例中,所述通信組件816還包括近場通信(NFC)模組,以促進短程通信。例如,在NFC模組可基於射頻識別(RFID)技術,紅外資料協會(IrDA)技術,超寬頻(UWB)技術,藍牙(BT)技術和其他技術來實現。
在示例性實施例中,電子設備800可以被一個或多個應用專用積體電路(ASIC)、數位信號處理器(DSP)、數位信號處理設備(DSPD)、可程式設計邏輯器件(PLD)、現場可程式設計閘陣列(FPGA)、控制器、微控制器、微處理器或其他電子組件實現,用於執行上述方法。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體804,上述電腦程式指令可由電子設備800的處理器820執行以完成上述方法。
圖11示出根據本發明實施例的一種電子設備的方塊圖。如圖11所示,電子設備1900可以被提供為一伺服器。參照圖11,電子設備1900包括處理組件1922,其進一步包括一個或多個處理器,以及由記憶體1932所代表的記憶體資源,用於儲存可由處理組件1922的執行的指令,例如應用程式。記憶體1932中儲存的應用程式可以包括一個或一個以上的每一個對應於一組指令的模組。此外,處理組件1922被配置為執行指令,以執行上述方法。
電子設備1900還可以包括一個電源組件1926被配置為執行電子設備1900的電源管理,一個有線或無線網路介面1950被配置為將電子設備1900連接到網路,和一個輸入輸出(I/O)介面1958。電子設備1900可以操作基於儲存在記憶體1932的作業系統,例如微軟伺服器作業系統(Windows ServerTM
),蘋果公司推出的基於圖形化使用者介面作業系統(Mac OS XTM
),多使用者多進程的電腦作業系統(UnixTM
),自由和開放原代碼的類Unix作業系統(LinuxTM
),開放原代碼的類Unix作業系統(FreeBSDTM
)或類似。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體1932,上述電腦程式指令可由電子設備1900的處理組件1922執行以完成上述方法。
本發明實施例可以是系統、方法和/或電腦程式產品。電腦程式產品可以包括電腦可讀儲存介質,其上載有用於使處理器實現本發明實施例的各個方面的電腦可讀程式指令。
電腦可讀儲存介質可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存介質例如可以是(但不限於)電存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或者上述的任意合適的組合。電腦可讀儲存介質的更具體的例子(非窮舉的列表)包括:可擕式電腦盤、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可擦式可程式設計唯讀記憶體(EPROM或快閃記憶體)、靜態隨機存取記憶體(SRAM)、可擕式壓縮磁碟唯讀記憶體(CD-ROM)、數位多功能盤(DVD)、記憶棒、軟碟、機械編碼設備、例如其上儲存有指令的打孔卡或凹槽內凸起結構、以及上述的任意合適的組合。這裡所使用的電腦可讀儲存介質不被解釋為暫態信號本身,諸如無線電波或者其他自由傳播的電磁波、通過波導或其他傳輸媒介傳播的電磁波(例如,通過光纖電纜的光脈衝)、或者通過電線傳輸的電信號。
這裡所描述的電腦可讀程式指令可以從電腦可讀儲存介質下載到各個計算/處理設備,或者通過網路、例如網際網路、局域網、廣域網路和/或無線網下載到外部電腦或外部存放裝置。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或者網路介面從網路接收電腦可讀程式指令,並轉發該電腦可讀程式指令,以供儲存在各個計算/處理設備中的電腦可讀儲存介質中。
用於執行本發明實施例操作的電腦程式指令可以是彙編指令、指令集架構(ISA)指令、機器指令、機器相關指令、微代碼、固件指令、狀態設置資料、或者以一種或多種程式設計語言的任意組合編寫的原始程式碼或目標代碼,所述程式設計語言包括物件導向的程式設計語言—諸如Smalltalk、C++等,以及常規的過程式程式設計語言—諸如“C”語言或類似的程式設計語言。電腦可讀程式指令可以完全地在使用者電腦上執行、部分地在使用者電腦上執行、作為一個獨立的套裝軟體執行、部分在使用者電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。在涉及遠端電腦的情形中,遠端電腦可以通過任意種類的網路—包括局域網(LAN)或廣域網路(WAN)—連接到使用者電腦,或者,可以連接到外部電腦(例如利用網際網路服務提供者來通過網際網路連接)。在一些實施例中,通過利用電腦可讀程式指令的狀態資訊來個性化定制電子電路,例如可程式設計邏輯電路、現場可程式設計閘陣列(FPGA)或可程式設計邏輯陣列(PLA),該電子電路可以執行電腦可讀程式指令,從而實現本發明實施例的各個方面。
這裡參照根據本發明實施例的方法、裝置(系統)和電腦程式產品的流程圖和/或方塊圖描述了本發明實施例的各個方面。應當理解,流程圖和/或方塊圖的每個方塊以及流程圖和/或方塊圖中各方塊的組合,都可以由電腦可讀程式指令實現。
這些電腦可讀程式指令可以提供給通用電腦、專用電腦或其它可程式設計資料處理裝置的處理器,從而生產出一種機器,使得這些指令在通過電腦或其它可程式設計資料處理裝置的處理器執行時,產生了實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的裝置。也可以把這些電腦可讀程式指令儲存在電腦可讀儲存介質中,這些指令使得電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作,從而,儲存有指令的電腦可讀介質則包括一個製造品,其包括實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的各個方面的指令。
也可以把電腦可讀程式指令載入到電腦、其它可程式設計資料處理裝置、或其它設備上,使得在電腦、其它可程式設計資料處理裝置或其它設備上執行一系列操作步驟,以產生電腦實現的過程,從而使得在電腦、其它可程式設計資料處理裝置、或其它設備上執行的指令實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作。
附圖中的流程圖和方塊圖顯示了根據本發明實施例的多個實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上,流程圖或方塊圖中的每個方塊可以代表一個模組、程式段或指令的一部分,所述模組、程式段或指令的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。在有些作為替換的實現中,方塊中所標注的功能也可以以不同於附圖中所標注的順序發生。例如,兩個連續的方塊實際上可以基本並行地執行,它們有時也可以按相反的循序執行,這依所涉及的功能而定。也要注意的是,方塊圖和/或流程圖中的每個方塊、以及方塊圖和/或流程圖中的方塊的組合,可以用執行規定的功能或動作的專用的基於硬體的系統來實現,或者可以用專用硬體與電腦指令的組合來實現。
該電腦程式產品可以具體通過硬體、軟體或其結合的方式實現。在一個可選實施例中,所述電腦程式產品具體體現為電腦儲存介質,在另一個可選實施例中,電腦程式產品具體體現為軟體產品,例如軟體發展包(Software Development Kit,SDK)等等。
以上已經描述了本發明的各實施例,上述說明是示例性的,並非窮盡性的,並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下,對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇,旨在最好地解釋各實施例的原理、實際應用或對市場中的技術的改進,或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。
工業實用性
本發明實施例涉及一種網路訓練、行人重識別方法及裝置、儲存介質、電腦程式,雲端伺服器中包括第一行人重識別網路,所述方法包括:向多個邊端伺服器發送第一行人重識別網路對應的第一網路參數;接收多個邊端伺服器返回的第二網路參數,其中,針對任一邊端伺服器,邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,第二行人重識別網路和第一行人重識別網路具有相同的網路結構,第二網路參數是邊端伺服器根據本地圖像資料集、身份分類網路和第一網路參數對第二行人重識別網路進行訓練之後得到的;根據多個邊端伺服器返回的第二網路參數,對第一行人重識別網路進行更新,得到更新後的第一行人重識別網路。由於雲端伺服器聯合多個邊端伺服器對行人重識別網路進行訓練,訓練過程中圖像資料集仍然保存在邊端伺服器中,無需上傳至雲端伺服器,從而可以在有效訓練行人重識別網路的同時保護資料隱私性。
80:網路訓練裝置
81:發送部分
82:接收部分
83:更新部分
90:網路訓練裝置
91:接收部分
92:網路訓練部分
93:發送部分
800:電子設備
802:處理組件
804:記憶體
806:電源組件
808:多媒體組件
810:音頻組件
812:輸入/輸出介面
814:感測器組件
816:通信組件
820:處理器
1900:電子設備
1922:電子設備
1926:電源組件
1932:記憶體
1950:網路介面
1958:輸入輸出介面
S11~S13:步驟
S31~S33:步驟
此處的附圖被併入說明書中並構成本說明書的一部分,這些附圖示出了符合本發明的實施例,並與說明書一起用於說明本發明實施例的技術方案。
圖1示出根據本發明實施例的一種網路訓練方法的流程圖;
圖2示出根據本發明實施例提供的示例性的一種網路訓練的結構圖;
圖3示出根據本發明實施例的一種網路訓練方法的流程圖;
圖4示出根據本發明實施例提供的示例性的一種確定第二網路參數的權重的示意圖;
圖5示出根據本發明實施例提供的示例性的一種雲端伺服器-邊端伺服器的網路結構圖;
圖6示出根據本發明實施例提供的示例性的一種雲端伺服器-邊端伺服器-終端設備的網路結構圖;
圖7示出根據本發明實施例提供的示例性的一種網路訓練的結構圖;
圖8示出根據本發明實施例的一種網路訓練裝置的方塊圖;
圖9示出根據本發明實施例的一種網路訓練裝置的方塊圖;
圖10示出根據本發明實施例的一種電子設備的方塊圖;
圖11示出根據本發明實施例的一種電子設備的方塊圖。
S11~S13:步驟
Claims (17)
- 一種網路訓練方法,所述方法應用於雲端伺服器,所述雲端伺服器中包括第一行人重識別網路,所述方法包括: 向多個邊端伺服器發送所述第一行人重識別網路對應的第一網路參數; 接收所述多個邊端伺服器返回的第二網路參數,其中,針對任一所述邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述第二行人重識別網路和所述第一行人重識別網路具有相同的網路結構,所述第二網路參數是所述邊端伺服器根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數對所述第二行人重識別網路進行訓練之後得到的; 根據所述多個邊端伺服器返回的所述第二網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路。
- 根據請求項1所述的方法,其中,所述根據所述多個邊端伺服器返回的所述第二網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路,包括: 接收所述多個邊端伺服器返回的所述第二網路參數對應的權重,其中,針對任一所述邊端伺服器,所述第二網路參數對應的權重是所述邊端伺服器根據訓練前的所述第二行人重識別網路和訓練後的所述第二行人重識別網路確定得到的; 根據所述多個邊端伺服器返回的所述第二網路參數對應的權重,對所述多個邊端伺服器返回的所述第二網路參數進行加權平均,得到更新後的所述第一網路參數; 根據更新後的所述第一網路參數,對所述第一行人重識別網路進行更新,得到更新後的所述第一行人重識別網路。
- 根據請求項1或2所述的方法,還包括: 向所述多個邊端伺服器發送共用圖像資料集; 接收所述多個邊端伺服器返回的偽標籤,其中,針對任一所述邊端伺服器,所述偽標籤是所述邊端伺服器根據所述共用圖像資料集以及訓練後的所述第二行人重識別網路生成的; 根據所述共用圖像資料集和所述多個邊端伺服器返回的偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路。
- 根據請求項3所述的方法,其中,所述根據所述共用圖像資料集和所述多個邊端伺服器返回的偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路,包括: 根據所述多個邊端伺服器返回的偽標籤,確定平均偽標籤; 根據所述共用圖像資料集和所述平均偽標籤,對更新後的所述第一行人重識別網路進行訓練,得到訓練後的所述第一行人重識別網路。
- 一種網路訓練方法,其中,所述方法應用於邊端伺服器,所述邊端伺服器中包括第二行人重識別網路、身份分類網路和本地圖像資料集,所述方法包括: 接收雲端伺服器發送的第一行人重識別網路對應的第一網路參數,其中,所述第一行人重識別網路和所述第二行人重識別網路具有相同的網路結構; 根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數,對所述第二行人重識別網路進行訓練,得到訓練後的所述第二行人重識別網路,其中,所述第二行人重識別網路對應第二網路參數; 向所述雲端伺服器發送所述第二網路參數。
- 根據請求項5所述的方法,其中,所述根據所述本地圖像資料集、所述身份分類網路和所述第一網路參數,對所述第二行人重識別網路進行訓練,得到訓練後的所述第二行人重識別網路,包括: 根據所述本地圖像資料集和所述第一網路參數,對所述第二行人重識別網路和所述身份分類網路進行訓練,得到訓練後的所述第二行人重識別網路和訓練後的所述身份分類網路。
- 根據請求項6所述的方法,還包括: 將訓練後的所述身份分類網路儲存在所述邊端伺服器中。
- 根據請求項6或7所述的方法,其中,所述本地圖像資料集中包括多個身份對應的圖像資料;所述身份分類網路的維度與所述多個身份的個數相關。
- 根據請求項5至7中任一項所述的方法,還包括: 接收所述雲端伺服器發送的共用圖像資料集; 根據所述共用圖像資料集和訓練後的所述第二行人重識別網路,生成偽標籤; 向所述雲端伺服器發送所述偽標籤。
- 根據請求項5至7任一項所述的方法,還包括: 根據訓練前的所述第二行人重識別網路和所述本地圖像資料集確定第一特徵向量,以及根據訓練後的所述第二行人重識別網路和所述本地圖像資料集,確定第二特徵向量; 確定所述第一特徵向量和所述第二特徵向量之間的餘弦距離; 根據所述餘弦距離,確定所述第二網路參數對應的權重; 向所述雲端伺服器發送所述第二網路參數對應的權重。
- 根據請求項5至7中任一項所述的方法,其中,所述邊端伺服器為圖像採集設備;所述本地圖像資料集是根據所述圖像採集設備採集得到的。
- 根據請求項5至7中任一項所述的方法,其中,所述邊端伺服器與至少一個圖像採集設備連接,所述邊端伺服器和所述至少一個圖像採集設備位於相同地理區域範圍;所述本地圖像資料集是所述邊端伺服器從所述至少一個圖像採集設備中獲取得到的。
- 一種行人重識別方法,包括: 通過目標行人重識別網路對在目標地理區域範圍內獲取到的至少一幀待識別圖像進行行人重識別處理,確定行人重識別結果; 其中,所述目標行人重識別網路採用請求項1至12中任一項所述的網路訓練方法訓練得到。
- 根據請求項13所述的方法,其中,所述目標行人重識別網路為更新後的第一行人重識別網路或訓練後的第一行人重識別網路。
- 根據請求項13所述的方法,其中,在所述目標地理區域範圍內包括邊端伺服器,且所述邊端伺服器中包括訓練後的第二行人重識別網路的情況下,所述目標行人重識別網路為訓練後的第二行人重識別網路。
- 一種電子設備,包括: 處理器;被配置為儲存處理器可執行指令的記憶體; 其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行請求項1至15中任意一項所述的方法。
- 一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現請求項1至15中任意一項所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864291.4 | 2020-08-25 | ||
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 |
---|---|
TW202209151A true TW202209151A (zh) | 2022-03-01 |
TWI769635B TWI769635B (zh) | 2022-07-01 |
Family
ID=73471079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112001321B (zh) |
TW (1) | TWI769635B (zh) |
WO (1) | WO2022043741A1 (zh) |
Families Citing this family (14)
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 |
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 |
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 |
CN112906677B (zh) * | 2021-05-06 | 2021-08-03 | 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 |
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 |
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 |
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 |
Family Cites Families (16)
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 |
AU2016304571B2 (en) * | 2015-08-05 | 2021-09-16 | 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 |
CN110349156B (zh) * | 2017-11-30 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 眼底图片中病变特征的识别方法和装置、存储介质 |
CN112836792A (zh) * | 2017-12-29 | 2021-05-25 | 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 |
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 |
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 |
CN110956202B (zh) * | 2019-11-13 | 2023-08-01 | 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 |
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 |
CN111107094B (zh) * | 2019-12-25 | 2022-05-20 | 青岛大学 | 轻量级地面向医疗物联网的大数据共享系统 |
CN111241580B (zh) * | 2020-01-09 | 2022-08-09 | 广州大学 | 一种基于可信执行环境的联邦学习方法 |
CN111401281B (zh) * | 2020-03-23 | 2022-06-21 | 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 |
-
2020
- 2020-08-25 CN CN202010864291.4A patent/CN112001321B/zh active Active
- 2020-10-27 WO PCT/IB2020/060047 patent/WO2022043741A1/zh active Application Filing
- 2020-12-22 TW TW109145593A patent/TWI769635B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI769635B (zh) | 2022-07-01 |
CN112001321A (zh) | 2020-11-27 |
CN112001321B (zh) | 2024-06-14 |
WO2022043741A1 (zh) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI769635B (zh) | 網路訓練、行人重識別方法、電子設備及電腦可讀存儲介質 | |
TWI772668B (zh) | 一種目標對象處理方法、裝置、電子設備及儲存介質 | |
WO2020135127A1 (zh) | 一种行人识别方法及装置 | |
TWI773945B (zh) | 錨點確定方法、電子設備和儲存介質 | |
TWI767596B (zh) | 場景深度和相機運動預測方法、電子設備和電腦可讀儲存介質 | |
JP7061191B2 (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
TWI782480B (zh) | 圖像處理方法及電子設備和電腦可讀儲存介質 | |
TWI778313B (zh) | 圖像處理方法、電子設備和儲存介質 | |
WO2021036382A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2016192325A1 (zh) | 视频文件的标识处理方法及装置 | |
TW202201273A (zh) | 姿態檢測及視頻處理方法、電子設備和電腦可讀儲存介質 | |
WO2022188305A1 (zh) | 信息展示方法及装置、电子设备、存储介质及计算机程序 | |
TWI767217B (zh) | 坐標系對齊的方法及裝置、電子設備和計算機可讀存儲介質 | |
CN105959587A (zh) | 快门速度获取方法和装置 | |
TW202205127A (zh) | 目標檢測方法、電子設備和電腦可讀儲存介質 | |
WO2022134475A1 (zh) | 点云地图构建方法及装置、电子设备、存储介质和程序 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
US20220383517A1 (en) | Method and device for target tracking, and storage medium | |
TW202145064A (zh) | 對象計數方法、電子設備、電腦可讀儲存介質 | |
TW202133030A (zh) | 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒體 | |
TWI751593B (zh) | 網路訓練方法及裝置、圖像處理方法及裝置、電子設備、電腦可讀儲存媒體及電腦程式 | |
TWI770531B (zh) | 人臉識別方法、電子設備和儲存介質 | |
CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2022110801A1 (zh) | 数据处理方法及装置、电子设备和存储介质 |