[发明专利]网络训练方法及装置、目标识别方法及装置和电子设备

说明书

本公开涉及一种网络训练方法及装置、目标识别方法及装置和电子设备，该方法包括：根据第一样本图像的标注结果及第一识别结果，通过第n‑1轮的多个第一损失函数，分别对第n‑1轮训练的目标识别网络进行训练，得到多个第n中间状态的目标识别网络；根据多个第n中间状态的目标识别网络，确定第n轮训练的目标识别网络；根据第一损失函数的超参数优化函数及采样分布，更新第n‑1轮的多个第一损失函数的超参数，得到第n轮的多个第一损失函数；在满足训练条件的情况下，得到训练后的目标识别网络。根据本公开实施例，能够在不需要人为干预下进行自动地第一损失函数设计，大大提升目标识别部署系统的部署效率。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种网络训练方法及装置、目标识别方法及装置和电子设备。

背景技术

目标识别是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。其中，目标识别技术可包括目标再识别(Re-identification，ReID)技术，即对一个特定的目标(可能包括行人、车辆、人脸或者其他特定物体等)，可在候选图像集中检索到该目标。目标再识别起源于多摄像头跟踪，用于判断非重叠视域中拍摄到的不同图像中的目标是否属于同一目标。目标再识别涉及计算机视觉、机器学习、模式识别等多个学科领域，可以广泛应用于智能视频监控、安保、刑侦等领域。近年来，目标再识别技术引起了学术界和工业界的广泛关注，已经成为计算机视觉领域的一个研究热点。然而，以行人再识别(Person Re-identification)为例，由于行人兼具刚性和柔性物体的特性，外观易受穿着、姿态和视角变化以及光照、遮挡、环境等各种复杂因素的影响，这使得行人再识别面临着巨大的技术挑战。

随着深度学习的发展，越来越多的基于深度卷积神经网络的模型在计算机视觉这个领域中取得了较好的效果。针对于目标再识别任务来说，学习到的特征不仅需要具有像分类任务那样的可分离性，更多是需要具有可分辨性。损失函数在学习具有可分辨性的特征起着比较重要的作用。

发明内容

有鉴于此，本公开提出了一种网络训练方法及装置、目标识别方法及装置和电子设备。

根据本公开的一方面，提供了一种网络训练方法，所述方法包括：对于目标识别网络的第n轮训练，将训练集中的第一样本图像输入第n-1轮训练的目标识别网络中处理，得到所述第一样本图像的第一识别结果，所述目标识别网络用于对待处理图像进行目标识别，n为正整数；根据所述第一样本图像的标注结果及所述第一识别结果，通过第n-1轮的多个第一损失函数，分别对所述第n-1轮训练的目标识别网络进行训练，得到多个第n中间状态的目标识别网络；根据所述多个第n中间状态的目标识别网络，确定第n轮训练的目标识别网络；根据所述第一损失函数的超参数优化函数及采样分布，更新所述第n-1轮的多个第一损失函数的超参数，得到第n轮的多个第一损失函数；在满足训练条件的情况下，得到训练后的目标识别网络；

其中，所述第一损失函数包括线性分段函数，所述线性分段函数包括M个分段子区间和M+1个超参数，所述线性分段函数的定义域的范围为-1至1，M为大于1的整数。

在一种可能的实现方式中，所述方法还包括：根据所述采样分布对第一损失函数进行初始化，得到初始的多个第一损失函数；根据目标识别网络进行随机初始化，得到初始的多个目标识别网络；其中，在n＝1的情况下，第n-1轮训练的目标识别网络包括所述初始的多个目标识别网络，第n-1轮的多个第一损失函数为所述初始的多个第一损失函数。