[发明专利]基于深度学习网络的行人重识别方法、装置、设备及介质

说明书

本发明公开了一种基于深度学习网络的行人重识别方法、装置、设备及介质；在本方案中，在网络训练过程中，首先需要创建与初始行人重识别网络对应的同构训练网络，该同构训练网络具有多个网络结构相同的同构分支；并且，本方案通过知识协同损失函数对该同构训练网络进行训练，可在训练过程中实现同构分支之间的信息交互，从而提高网络的准确率。因此，本方案通过上述操作对同构训练网络进行训练，可得到更为准确的最终权重参数后；并且，由于本方案只需要更改网络训练过程，而在网络识别过程，并没有对行人重识别网络进行复杂化处理，因此本方案可在不增加任何参数量和计算量的前提下最大化的挖掘网络潜能，提升网络性能。

技术领域

本发明涉及图像识别技术领域，更具体地说，涉及一种基于深度学习网络的行人重识别方法、装置、设备及介质。

背景技术

行人重识别（Person re-identification,Re-ID）是一种重要的图像识别技术，广泛应用于公安系统、交通监管等领域。行人重识别对分布在不同位置的摄像头进行搜索来确定不同摄像头视野中的行人是否是同一个行人，该技术可以用于犯罪嫌疑人搜索、遗失儿童搜索等场景中。行人重识别主要通过深度学习技术实现，近年来，随着深度学习技术的不断发展，行人重识别任务随之也取得了长足的进步。但是，目前为了进一步提高深度学习网络的性能，学者们通常通过构建更为复杂的网络结构的形式继续提高其性能，但是以该方式提高网络性能有以下缺点：

1、更深、更宽或更为复杂的网络通常会带来参数量的激增，参数量的增加不利于便携式设备的存储与部署。例如：在网络摄像头中实现实时的行人检测识别程序的部署，需要网络具有较小的参数量（便于存储）和较高的识别准确率。

2、更深、更宽或更为复杂的网络通常会带来计算量的增加，不利于对实时性要求较高的场景应用。例如：对犯罪嫌疑人的检索与跟踪，大的计算延迟会使整个系统错失最好的时机，给系统功能带来负面影响。

因此，如何在不增加参数量和计算量的前提下，提升深度学习网络处理行人重识别任务的准确率及性能，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于深度学习网络的行人重识别方法、装置、设备及介质，以在不增加参数量和计算量的前提下，提升深度学习网络处理行人重识别任务的准确率及性能。

为实现上述目的，本发明提供一种基于深度学习网络的行人重识别方法，包括：

获取初始行人重识别网络；

创建与所述初始行人重识别网络对应的同构训练网络；所述同构训练网络具有多个网络结构相同的同构分支；

利用目标损失函数对所述同构训练网络进行训练，确定所述同构训练网络中每个网络层的最终权重参数；

通过所述初始行人重识别网络加载所述最终权重参数，得到最终行人重识别网络，以利用所述最终行人重识别网络执行行人重识别任务；其中，所述利用目标损失函数对所述同构训练网络进行训练，确定所述同构训练网络中每个网络层的最终权重参数，包括：

在对所述同构训练网络的训练过程中，确定交叉熵损失函数的交叉熵损失值、确定三元组损失函数的三元组损失值、确定知识协同损失函数的知识协同损失值、确定概率协同损失函数的概率协同损失值；其中，所述知识协同损失函数用于：利用每个样本在每两个同构分支的嵌入层输出特征的欧式距离，确定知识协同损失值；

利用所述交叉熵损失值、所述三元组损失值、所述知识协同损失值的总损失值，确定所述同构训练网络中每个网络层的最终权重参数；

其中，所述确定概率协同损失函数的概率协同损失值的过程包括：

获取每个同构分支的分类层输出的图像分类概率；