[发明专利]模型训练方法、装置、识别方法、电子设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

获取第一行人重识别ReID模型对应的第一特征向量，所述第一特征向量是由训练样本对所述第一行人重识别ReID模型训练获得的全局特征构成的；

根据所述第一行人重识别ReID模型获取所述训练样本的至少一个聚类中心点，根据所述聚类中心点对所述训练样本进行聚类；计算每个聚类中的训练样本与对应聚类中心点之间的第一距离，将所述第一距离大于第一预设阈值的训练样本作为难样本；

根据所述难样本和损失函数训练第二行人重识别ReID模型，若本次训练的第二行人重识别ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二行人重识别ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二行人重识别ReID模型进行下一次训练，依此循环，直至第二行人重识别ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征；

所述根据所述难样本和损失函数训练第二行人重识别ReID模型，包括：

根据所述难样本对所述第二行人重识别ReID模型进行训练，获得所述第二特征向量；计算所述第二特征向量与所述第一特征向量之间的第二距离，并利用所述损失函数对所述第二行人重识别ReID模型中的参数进行优化，直到优化后的第二行人重识别ReID模型输出的所述第二特征向量与所述第一特征向量之间的所述第二距离小于第二预设阈值。

2.根据权利要求1所述的训练方法，其特征在于，所述计算所述第二特征向量与所述第一特征向量之间的第二距离，包括：

分别对所述第一特征向量和所述第二特征向量进行压缩处理；

计算压缩后的第二特征向量与压缩后的第一特征向量之间的所述第二距离。

3.根据权利要求1所述的训练方法，其特征在于，所述方法，还包括：

根据所述训练样本，采用预设算法对所述第一行人重识别ReID模型进行训练；其中，所述预设算法包括以下任意一种：对比损失学习算法、三元组损失学习算法、四元组损失学习算法、难样本采样三元组损失学习算法和边界挖掘损失学习算法。

4.根据权利要求1所述的训练方法，其特征在于，所述第二行人重识别ReID模型符合预设要求，包括：

通过验证集对第二行人重识别ReID模型进行验证，若验证结果精度大于预设精度，则第二行人重识别ReID模型符合预设要求。

5.根据权利要求1-4任一项所述的训练方法，其特征在于，所述第一行人重识别ReID模型和所述第二行人重识别ReID模型为多层卷积神经网络。

6.一种模型训练装置，其特征在于，包括：

获取模块，用于获取第一特征向量，所述第一特征向量是由训练样本对第一行人重识别ReID模型训练获得的全局特征构成的；

聚类模块，用于根据所述第一行人重识别ReID模型获取所述训练样本的至少一个聚类中心点，根据所述聚类中心点对所述训练样本进行聚类；计算每个聚类中的训练样本与对应聚类中心点之间的第一距离，将所述第一距离大于第一预设阈值的训练样本作为难样本；

难样本训练模块，用于根据所述难样本和损失函数训练第二行人重识别ReID模型，若本次训练的第二行人重识别ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二行人重识别ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二行人重识别ReID模型进行下一次训练，直至所述第二行人重识别ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征；根据所述难样本对所述第二行人重识别ReID模型进行训练，获得所述第二特征向量；计算所述第二特征向量与所述第一特征向量之间的第二距离，并利用所述损失函数对所述第二行人重识别ReID模型中的参数进行优化，直到优化后的第二行人重识别ReID模型输出的所述第二特征向量与所述第一特征向量之间的所述第二距离小于第二预设阈值。