[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

说明书

本发明公开了一种提升目标重识别泛化性的方法、装置、设备及存储介质，方法包括：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。根据本公开实施例提供的提升目标重识别泛化性的方法，通过利用元学习和多领域专家混合模型，对已知领域数据特征进行动态地聚合以生成在未知领域数据上具有强泛化能力的特征，从而提升目标识别领域的泛化性。

技术领域

本发明涉及目标识别技术领域，特别涉及一种提升目标重识别泛化性的方法、装置、设备及存储介质。

背景技术

目标重识别的研究引起了学术界和工业界的广泛关注，其目的是在不同摄像头视角下识别同一目标物体(比如行人、车辆等)。目标重识别在安防领域和智慧城市的构建中存在着巨大的应用价值。虽然目标重识别模型在同一领域的数据集上训练和测试能取得很好的性能，但当该模型直接应用到其它领域数据集进行测试时，由于领域偏差，性能会显著地下降。现实场景中，目标域的数据往往很难收集、标注，因此提升目标重识别模型的泛化能力显得尤为重要。

现有技术中，提升目标重识识别泛化性的方法都遵循着同样的框架：它们将所有源域数据集收集混合成一个数据集，并在上面训练单个模型，将训练好的模型直接应用于未知领域的数据测试。这样的框架可能存在两个潜在的问题：(1)对每个源域无差别对待地学习不同领域的共同特征空间，忽略了每个领域的特性，而这些特性能被用来提升模型的泛化能力；(2)现有技术往往忽略目标域数据与源域数据之间内在的相关性，这会限制模型的泛化能力。

发明内容

本公开实施例提供了一种提升目标重识别泛化性的方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种提升目标重识别泛化性的方法，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样本图像的查询特征；

计算查询特征与专属特征的平均相似度，根据平均相似度确定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；

根据聚合特征对样本图像进行目标重识别。

在一个可选地实施例中，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，投票网络模块和多个领域专家网络模块作为分支接在骨干网络模块之后。

在一个可选地实施例中，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共享特征，得到每个领域的专属特征；

通过投票网络模块映射共享特征，得到样本图像的查询特征。

在一个可选地实施例中，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多领域专家混合模型。

在一个可选地实施例中，通过元学习训练方式训练多领域专家混合模型，包括：