[发明专利]行人属性识别方法、装置、电子设备及存储介质

权利要求书

1.一种行人属性识别方法，其特征在于，包括以下步骤：

获取多类别卷积神经网络模型，所述多类别卷积神经网络模型用于对多个类别的属性进行分类；

通过卷积神经网络技术，将所述多类别卷积神经网络模型的输出层按行人属性类别数量进行重构，得到第一行人属性识别模型，所述重构包括输出层存储数据格式的重构；

通过迁移学习，使用预先准备的行人属性数据集对所述第一行人属性识别模型进行训练，得到第二行人属性识别模型；

通过预设的可编程推理加速器对所述第二行人属性识别模型进行优化，得到目标行人属性识别模型；

通过所述目标行人属性识别模型对待识别图像进行行人属性识别，得到行人属性识别结果。

2.如权利要求1所述的行人属性识别方法，其特征在于，所述方法还包括：

根据所述行人属性类别数量以及行人属性类别，构建行人属性数据集。

3.如权利要求1所述的行人属性识别方法，其特征在于，所述通过卷积神经网络技术，将所述多类别卷积神经网络模型的输出层按行人属性类别数量进行重构，得到第一行人属性识别模型，包括：

丢弃所述多类别卷积神经网络模型的原输出层；

为每个行人属性类别构建一个线性分类器，得到重构后的输出层；

其中，所述重构后的输出层中，每个所述线性分类器前向传递后输出的结果均以元组的数据格式保存，对于所有线性分类器对应的元组，按照预设的属性顺序追加到同一个元组中作为输出结果。

4.如权利要求1至3中任一所述的行人属性识别方法，其特征在于，在所述通过预设的可编程推理加速器对所述第二行人属性识别模型进行优化之前，所述方法还包括：

将所述第二行人属性识别模型进行格式转换，以使所述第二行人属性识别模型适应所述预设的可编程推理加速器。

5.如权利要求4所述的行人属性识别方法，其特征在于，所述方法还包括：

在可编程推理加速器空间中创建与所述第二行人属性识别模型对应的加速引擎；

在可编程推理加速器空间中设定所述第二行人属性识别模型相关的参数，所述第二行人属性识别模型相关的参数包括图像数据的色彩模式、图像数据的分辨率、并行处理时的图像数量以及拟分配的显存大小中的至少一项；

根据所述加速引擎以及所述第二行人属性识别模型相关的参数，确定所述第二行人属性识别模型的可编程推理加速器。

6.一种行人属性识别装置，其特征在于，所述装置包括：

获取模块，用于获取多类别卷积神经网络模型，所述多类别卷积神经网络模型用于对多个类别的属性进行分类；

重构模块，用于通过卷积神经网络技术，将所述多类别卷积神经网络模型的输出层按行人属性类别数量进行重构，得到第一行人属性识别模型，所述重构包括输出层存储数据格式的重构；

训练模块，用于通过迁移学习，使用预先准备的行人属性数据集对所述第一行人属性识别模型进行训练，得到第二行人属性识别模型；

加速模块，用于通过预设的可编程推理加速器对所述第二行人属性识别模型进行优化，得到目标行人属性识别模型；

识别模块，用于通过所述目标行人属性识别模型对待识别图像进行行人属性识别，得到行人属性识别结果。

7.如权利要求6所述的行人属性识别装置，其特征在于，所述装置还包括：

构建模块，用于根据所述行人属性类别数量以及行人属性类别，构建行人属性数据集。

8.如权利要求7所述的行人属性识别装置，其特征在于，所述重构模块包括：

丢弃单元，用于丢弃所述多类别卷积神经网络模型的原输出层；

重构单元，用于为每个行人属性类别构建一个线性分类器，得到重构后的输出层；

其中，所述重构后的输出层中，每个所述线性分类器前向传递后输出的结果均以元组的数据格式保存，对于所有线性分类器对应的元组，按照预设的属性顺序追加到同一个元组中作为输出结果。