[发明专利]行人属性识别方法、装置、电子设备及存储介质

说明书

本发明实施例提供一种行人属性识别方法、装置、电子设备及存储介质，所述方法包括：获取多类别卷积神经网络模型；通过卷积神经网络技术，将多类别卷积神经网络模型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，重构包括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。本发明通过对行人属性识别模型进行优化加速，解决在模型损失准确度较小的情况下，提高模型运行速度的问题。

技术领域

本发明涉及人工智能领域，尤其涉及一种行人属性识别方法、装置、电子设备及存储介质。

背景技术

近年来，行人属性识别在各个领域中越来越得到广泛的应用，准确、高效的行人属性识别结果在协助管理人员处理事件、改进人机交互体验等方面有重要的辅助作用。尤其随着人工智能领域中深度学习技术的发展以及相关硬件设备算力的提升，构建深层卷积神经网络模型来提取特征以解决行人属性识别问题已经逐步成为主要的技术手段，这就对提高行人属性识别的准确度起到了积极作用。但是卷积神经网络模型使用的层数越多，通常其运行速度就越慢；另一方面，如果模型的运行速度越高，通常其识别精度就越低。因此，现有的行人属性识别存在识别精度与识别速度的限制，使得在面对大规模行人属性识别时处理效率较低。

发明内容

本发明实施例提供一种行人属性识别方法，能够通过对行人属性识别模型进行优化加速，解决在模型损失准确度较小的情况下，提高模型运行速度的问题，有利于生产环境下面对大规模数据时提高行人属性识别的处理效率，进而可以对节约时间成本和提高相关的经济、社会效益带来巨大帮助。

第一方面，本发明实施例提供一种行人属性识别方法，所述方法包括：

获取多类别卷积神经网络模型；

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。

可选的，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。

可选的，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。

可选的，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。

可选的，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；