[发明专利]提升目标重识别泛化性的方法、装置、设备及存储介质

权利要求书

1.一种提升目标重识别泛化性的方法，其特征在于，包括：

将未知领域的样本图像数据输入预训练的多领域专家混合模型,得到每个领域的专属特征以及所述样本图像的查询特征；

计算所述查询特征与所述专属特征的平均相似度，根据所述平均相似度确定所述样本图像与每个领域的相关性；

根据领域相关性对每个领域的专属特征进行加权聚合，得到聚合特征；

根据所述聚合特征对所述样本图像进行目标重识别。

2.根据权利要求1所述的方法，其特征在于，所述多领域专家混合模型包括骨干网络模块、投票网络模块以及多个领域专家网络模块，其中，所述投票网络模块和多个领域专家网络模块作为分支接在所述骨干网络模块之后。

3.根据权利要求2所述的方法，其特征在于，将未知领域的样本图像数据输入预训练的多领域专家混合模型,得到每个领域的专属特征以及所述样本图像的查询特征，包括：

将未知领域的样本图像数据输入预训练的多领域专家混合模型；

通过所述骨干网络模块提取不同领域之间的共享特征；

通过每个领域专家网络模块映射所述共享特征，得到每个领域的专属特征；

通过所述投票网络模块映射所述共享特征，得到所述样本图像的查询特征。

4.根据权利要求1所述的方法，其特征在于，将未知领域的样本图像数据输入预训练的多领域专家混合模型之前，还包括：

通过元学习训练方式训练所述多领域专家混合模型。

5.根据权利要求4所述的方法，其特征在于，所述通过元学习训练方式训练所述多领域专家混合模型，包括：

在每一次训练迭代开始时，将K个源域训练数据随机划分为K-1个元训练域和1个元测试域；

利用所述元训练域数据计算领域损失函数和关系对齐损失函数，通过所述领域损失函数更新骨干网络模块参数以及多个领域专家网络模块参数，根据所述关系对齐损失函数的一阶梯度更新投票网络模块参数；

利用所述元测试域数据再次计算领域损失函数和关系对齐损失函数；

根据再次计算得到的领域损失函数更新骨干网络模块参数以及多个领域专家网络模块参数；

根据再次计算得到的关系对齐损失函数的二阶梯度更新投票网络模块参数；

对所述元训练域和元测试域迭代多次训练直至网络收敛。

6.根据权利要求5所述的方法，其特征在于，所述领域损失函数由度量损失函数和去相关性损失函数组成，所述度量损失函数由分类损失函数、三元组损失函数以及中心损失函数组成。

7.根据权利要求5所述的方法，其特征在于，所述关系对齐损失函数通过计算某领域专属特征和聚合特征度量关系的二元交叉熵损失得到。

8.一种提升目标重识别泛化性的装置，其特征在于，包括：

特征提取模块，用于将未知领域的样本图像数据输入预训练的多领域专家混合模型,得到每个领域的专属特征以及所述样本图像的查询特征；

相关性计算模块，用于计算所述查询特征与所述专属特征的平均相似度，根据所述平均相似度确定所述样本图像与每个领域的相关性；

特征聚合模块，用于根据领域相关性对每个领域的专属特征进行加权聚合，得到聚合特征；

目标重识别模块，用于根据所述聚合特征对所述样本图像进行目标重识别。

9.一种提升目标重识别泛化性的设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的提升目标重识别泛化性的方法。

10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的一种提升目标重识别泛化性的方法。