[发明专利]基于神经网络的模型快速升级方法及装置

说明书

本发明提供了一种基于神经网络的模型快速升级方法及装置，涉及机器学习技术领域，包括：获取升级前的第一模型的原始特征；将所述原始特征输入预先训练好的第三模型，得到所述第三模型的输出特征作为第二模型的升级后特征，所述第二模型是对所述第一模型升级后得到的模型。本发明实施例利用构建的神经网络直接将特征作为输入和输出，可实现直接对用户端的特征库进行端到端的快速升级。且采用高质量的升级模型，在传统识别问题神经网络模型训练方法的基础上，结合多种损失函数，获得更好的模型训练效果。保证在节省存储空间和实现快速升级的同时，保证精度基本不会损失，保证系统的稳定性和可靠性。且不需要额外存储原图或原视频，节省了存储空间。

技术领域

本发明涉及机器学习技术领域，具体而言，涉及一种基于神经网络的模型快速升级方法及装置。

背景技术

随着计算机视觉技术的不断发展，图像识别问题已成为人工智能领域的重要研究热点之一。随着例如人脸识别和行人再识别(Person Re-identification，ReID)等相关应用的不断出现，对安全检查、打击犯罪、移动支付、交通控制、自动驾驶等领域均有很大作用。也使得对图像识别准确度的要求越来越高，进一步地，对图像识别模型的要求也随之提高。

例如非重叠视域下的行人再识别的实质就是判断在一个摄像头被监控的行人是否在另一个摄像头中出现，并能对其进行持续性的追踪。在实际的行人再识别场景中，由于摄像机角度的变化、背景因素的影响、光照强度的变化、行人姿势的改变和行人运动过程中遮挡物的出现等因素，使得对行人再识别系统中用于识别的ReID模型的准确度要求较高。因此需合理的进行模型升级，以保证更准确的识别效果。

现有的部署在用户现场的ReID产品，当需要升级其ReID模型时(例如从model A升级到model B)，用户ReID产品中用于识别的特征库(feature-store)中所存储的特征(feature)也需要同步进行升级(例如从model A对应的feature A升级到model B对应的feature B)，否则由于特征不对应将无法进行检索和识别。现行的对ReID模型特征库升级的操作一般包括：

使用当前特征库中的特征所对应的原图重新经过model B生成feature B。这样要求用户需要额外完整存储训练需要用到的所有原图或原视频信息，增大了存储资源上的需求。并且，一般情况下model B较大，经过model B生成feature B的速度较慢，如果训练集中存有大量图像或视频，模型升级将非常消耗资源和时间。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明第一方面的实施例提供了一种基于神经网络的模型快速升级方法，其包括：

获取升级前的第一模型的原始特征；

将所述原始特征输入预先训练好的第三模型，得到所述第三模型的输出特征作为第二模型的升级后特征，所述第二模型是对所述第一模型升级后得到的模型。

进一步地，对所述第三模型的预先训练包括：

将训练集图像输入所述第一模型，得到所述第一模型输出的第一特征；

将所述训练集图像输入所述第二模型，得到输出的第二特征；

将所述第一特征输入所述第三模型，得到输出的第三特征；

根据所述第二特征和所述第三特征确定所述第三模型的损失函数的值；

更新所述第三模型的参数，使得所述损失函数的值最小时，完成对所述第三模型的预先训练。

进一步地，所述将所述第一特征输入所述第三模型，得到输出的第三特征包括：

将所述第一特征输入所述第三模型后得到与所述第二特征维度相同的向量；