[发明专利]物体重识别系统的训练方法、物体重识别方法及相关设备

说明书

本发明公开一种物体重识别系统的训练方法、物体重识别方法及相关设备，以提高特征提取器的性能，从而提高使用该特征提取器进行物体重识别的准确性。方法包括：将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵，将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

技术领域

本发明涉及计算机深度学习领域，特别涉及一种物体重识别系统的训练方法及其装置、一种物体重识别方法及其装置、一种处理设备。

背景技术

物体重识别技术在智能视频监控、机器人、自动驾驶等领域发挥着必不可少的作用。给定待检索物体图像，物体重识别技术旨在从不同相机拍摄到的图像中检索出与所述物体相同的相关图像。相机视角、物体姿态、遮挡等方面的影响使得物体重识别任务具有相当的挑战性。

得益于深度学习技术的涌现，物体重识别技术在近几年发展迅速。目前的先进方法大多都基于深度学习，主要由两部分组成，即特征提取器和损失函数。特征提取器一般由卷积神经网络构成，损失函数则作为监督信号引导特征提取器的训练。因此，特征提取器的性能好坏直接影响着物体重识别的准确性，目前特征提取器存在性能较差的技术问题，以及存在使用该特征提取器进行物体重识别的精度较差的技术问题。

发明内容

本发明实施例第一方面，提供以下物体重识别系统的训练方法及其装置，以提高特征提取器的性能：

一种物体重识别系统的训练方法，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，根据多组训练样本图像依次对所述物体重识别系统进行以下训练：

将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

一种物体重识别系统的训练装置，在物体重识别系统的特征提取器之后依次设置有随机游走模块和分类器，所述装置包括：

输入单元，用于将多组训练样本图像依次输入到训练单元；

训练单元，用于根据接收到的当前组训练样本图像对所述物体重识别系统进行以下训练：

将当前组训练样本图像输入到特征提取器中，得到各训练样本图像的特征向量，各训练样本图像的特征向量构成特征向量组；

将所述特征向量组中的每个特征向量作为一个节点，通过随机游走模块对所述特征向量组进行处理得到表征各特征向量之间的相似度的相似度矩阵；

将所述特征向量组与所述相似度矩阵的乘积输入到分类器中，得到对当前组训练样本图像进行分类的分类结果；

根据所述分类结果调整所述特征提取器和分类器的参数，基于调整后的特征提取器、分类器处理下一组训练样本图像。

一种处理设备，包括存储器，以及与所述存储器通信连接的一个或多个处理器；所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现前述物体重识别系统的训练方法。