[发明专利]人体属性识别模型训练方法、人体属性识别方法及装置

权利要求书

1.一种人体属性识别模型训练方法，其特征在于，包括：

获取属性数据集，所述属性数据集为根据目标属性进行多个数据集的属性标注融合后得到的属性数据集，所述属性数据集包括人体样本图像及属性标注信息；

根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型；

其中，多个数据集的属性标注融合过程具体包括：

根据各个数据集标注的属性与所述目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；

根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注。

2.如权利要求1所述的人体属性识别模型训练方法，其特征在于，所述人体属性识别模型为包括特征提取层、全连接层和激活函数层的卷积神经网络；

所述根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型，包括：

通过所述特征提取层对输入的人体样本图像进行特征提取，得到人体属性特征信息；

根据所述人体属性特征信息，通过所述全连接层和所述激活函数层计算每个人体属性的置信度；

根据所述属性加权损失函数和所述置信度，计算加权损失值；

将所述加权损失值反向传播至所述人体属性识别模型的各个层，以进行权值迭代更新，直至达到迭代次数。

3.如权利要求2所述的人体属性识别模型训练方法，其特征在于，所述特征提取层包括轻量级深度神经网络模型；

所述轻量级深度神经网络模型的卷积主干网络包括深度卷积层、逐点卷积层、至少一层普通卷积层和全局池化层。

4.如权利要求3所述的人体属性识别模型训练方法，其特征在于，所述人体属性识别模型为DeepMar模型，所述轻量级深度神经网络模型为MobileNetV1。

5.一种人体属性识别方法，其特征在于，包括：

获取待识别人体图像；

将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；

根据所述输出结果得出识别结果；

其中，所述预训练的人体属性识别模型为使用如权利要求1至4任一项所述的人体属性识别模型训练方法训练得到的模型。

6.如权利要求5所述的人体属性识别方法，其特征在于，所述人体属性识别模型为包括轻量级深度神经网络模型、全连接层和激活函数层的卷积神经网络；

所述将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果，包括：

通过所述轻量级深度神经网络模型的卷积主干网络对所述待识别人体图像进行特征提取，得到人体属性特征信息；

通过所述全连接层和所述激活函数层计算每个人体属性的置信度。

7.一种人体属性识别模型训练装置，其特征在于，包括：

多数据集融合模块，用于根据各个数据集标注的属性与目标属性的对应关系，得到各个数据集标注到所述目标属性的映射信息；根据所述映射信息，将各个数据集的属性标注映射到所述目标属性，并采用预设数值补充缺失的属性标注，得到属性数据集；

训练模块，用于根据所述属性数据集，采用属性加权损失函数训练预先构建的人体属性识别模型。

8.一种人体属性识别装置，其特征在于，包括：

图像获取模块，用于获取待识别人体图像；

计算模块，用于将所述待识别人体图像输入至预训练的人体属性识别模型，得出输出结果；

识别模块，用于根据所述输出结果得出识别结果；

其中，所述预训练的人体属性识别模型为使用如权利要求1至4任一项所述的人体属性识别模型训练方法训练得到的模型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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如权利要求1至4或5至6任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4或5至6任一项所述的方法。