[发明专利]属性识别方法及装置、电子设备和存储介质

说明书

本公开涉及一种属性识别方法及装置、电子设备和存储介质。所述方法包括：获取待识别图像；将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练得到的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种属性识别方法及装置、电子设备和存储介质。

背景技术

属性是指目标对象的一些特征，例如性别、年龄、服装款式、头发长短等。属性识别是指从图片或视频中判断目标对象的属性，包括行人属性识别、人脸属性识别、车辆属性识别等。属性识别是计算机视觉以及智能安防监控领域的重要问题。

作为一个经典的计算机视觉问题，属性识别面临着许多困难。例如，由于拍摄距离或者行人的走动导致的低分率，场景、光照、拍摄角度、行人姿态等的多变性，以及潜在的遮挡问题等，都会对属性识别造成影响。

发明内容

本公开提供了一种属性识别技术方案。

根据本公开的一方面，提供了一种属性识别方法，包括：

获取待识别图像；

将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练得到的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。

在本公开实施例中，用于训练所述神经网络的第一损失函数的值，是根据属性类别和目标对象的身份信息选取的多个图像样本的属性的特征来确定的，由此在所述神经网络的训练中，利用属性信息和身份信息来构造多层次(属性层次和身份层次)的特征，将属性信息和身份信息统一到特征空间，而非将属性和身份这两种不同的信息简单地糅合在一起，从而能够使构造的特征空间更合理。本公开实施例训练得到的神经网络所提取的待识别图像的特征，能够体现待识别图像中多层次(属性层次和身份层次)的信息，从而能够提高属性识别的准确性。

在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第二图像样本和第三图像样本，所述第一损失函数包括第一子损失函数，所述第一子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第二图像样本的第一属性的特征和所述第三图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第二图像样本与所述第一图像样本中目标对象的身份信息不同，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。

在该实现方式中，根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征，可以组成类间三元组。根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征确定第一子损失函数的值，并利用第一子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到区分不同属性类别的能力。

在一种可能的实现方式中，

所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；

和/或，

所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。