[发明专利]神经网络训练方法以及目标重识别方法

说明书

本公开涉及神经网络训练方法以及目标重识别方法，该神经网络包括至少一第一网络以及第二网络，该训练方法包括：将样本图像组的第一特征信息输入该第一网络，得到第一处理信息；将该样本图像组的第二特征信息输入第二网络，得到第二处理信息；基于第一处理信息、第二处理信息和样本图像组的标签，确定训练损失；基于训练损失优化一个第一网络和第二网络；训练损失基于以下至少一部分构成：基于第一处理信息和第二处理信息确定的迁移损失，基于第一分类结果、第二分类结果和样本图像组的标签确定的分类损失，第一分类结果通过对第一处理信息进行分类得到，第二分类结果通过对第二处理信息进行分类得到。本公开得到的第二网络具备强信息提取能力。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及神经网络训练方法以及目标重识别方法。

背景技术

在基于图像的相关应用中，可能由于视角原因、天气原因、时间原因、视觉遮挡原因或跨摄像头等原因导致图像库中的图像存在类间相似度高，类内相似度低的问题，而相关技术从图像中提取出的信息质量有限，难以准确对于图像库中的各个图像进行区分，也难以对图像中的目标进行准确地识别。为了提升图像信息的提取质量，相关技术也提出了一些改进方案，但是这些改进方案或需要引入额外的标注信息，或需要设计高复杂度的神经网络。额外的标注信息带来了数据获取困难，而高复杂度的神经网络也造成了部署困难，更难以落地到应用上。

发明内容

为了解决上述至少一个技术问题，本公开提出神经网络训练方案以及目标重识别方案。

根据本公开的一方面，提供了神经网络训练方法，所述神经网络包括至少一第一网络以及第二网络，其包括：将样本图像组的第一特征信息输入所述至少一第一网络，得到每一所述第一网络输出的第一处理信息；将所述样本图像组的第二特征信息输入所述第二网络，得到第二处理信息；基于所述第一处理信息、所述第二处理信息和所述样本图像组的标签，确定训练损失；基于所述训练损失优化所述至少一个第一网络和所述第二网络；其中，所述训练损失基于以下中的至少一部分构成：基于所述第一处理信息和所述第二处理信息确定的迁移损失，以及基于第一分类结果、第二分类结果和所述样本图像组的标签确定的分类损失，所述第一分类结果通过对所述第一处理信息进行分类得到，所述第二分类结果通过对所述第二处理信息进行分类得到。基于上述配置，可以在第一网络和第二网络之间通过进行知识迁移达到互补学习共同优化的效果，同时提升第一网络和第二网络的信息提取能力。

在一些可能的实施方式中，所述第一处理信息包括基于所述第一特征信息提取的第一显著特征以及对所述第一显著特征降维后得到的第一降维特征；所述第二处理信息包括基于所述第二特征信息提取的第二显著特征以及对所述第二显著特征降维后得到的第二降维特征，所述迁移损失基于以下中的至少一部分构成：注意力损失分量、关系损失分量以及逻辑损失分量；其中，所述注意力损失分量基于所述第一显著特征与所述第二显著特征确定；所述关系损失分量基于所述第一降维特征与所述第二降维特征确定；所述逻辑损失分量基于所述第一分类结果与所述第二分类结果确定。基于上述配置，可以实现第一网络和第二网络之间，注意力信息、关系信息和逻辑信息三个维度的信息双向迁移，显著提升第一网络和第二网络的信息提取能力。

在一些可能的实施方式中，基于所述第一显著特征与所述第二显著特征确定注意力损失分量的方法，包括：确定每一所述第一显著特征与所述第二显著特征的差异；基于所述差异与设定阈值的差值最小化，确定所述注意力损失分量。基于上述配置，通过注意力损失分量刻画第一网络和第二网络之间的注意力提取能力差异，训练损失中包括注意力损失，可以使得在训练过程中第一网络学习到的注意力知识和第二网络学习到的注意力知识可以进行双向迁移，同时提升第一网络和第二网络的信息提取能力。