[发明专利]行人属性识别方法、装置、电子设备及存储介质

权利要求书

1.一种行人属性识别方法，其特征在于，包括：

获取多个有标注的源域数据集中的源域样本和无标注的目标域数据中的目标域样本；

利用所述源域样本和所述目标域样本对改进的网络模型进行训练，直至满足所述改进的网络模型的训练结束条件；

将训练得到的网络模型部署到车辆中，以使用所述训练得到的网络模型对所述车辆周围的行人进行行人属性识别，

其中，所述利用所述源域样本和所述目标域样本对改进的网络模型进行训练，直至满足所述改进的网络模型的训练结束条件，包括：

将所述源域样本和所述目标域样本输入至卷积层进行卷积运算，得到卷积运算结果；

将所述卷积运算结果输入至自适应平均池化层，并使用预设方法进行降采样处理，得到降采样处理结果；

使用sigmoid分类器对所述降采样处理结果进行分类，并使用sigmoid损失函数进行迭代运算，得到所述改进的网络模型，

其中，所述网络模型为多特征空间适应网络。

2.根据权利要求1所述的方法，其特征在于，所述使用sigmoid损失函数进行迭代运算，得到所述改进的网络模型，包括：

使用改进后的随机梯度下降算法对所述sigmoid损失函数进行迭代运算，直至所述sigmoid损失函数的数值最小，进而得到所述改进的网络模型。

3.根据权利要求1所述的方法，其特征在于，所述sigmoid损失函数的计算公式如下：

，

其中，表示所述sigmoid损失函数，表示样本总数，为正整数；表示属性总数，为正整数；表示第个样本中第种属性的标签，表示第个样本中第种属性的预测值，表示sigmoid激活函数，表示对数函数。

4.根据权利要求1所述的方法，其特征在于，所述卷积层的卷积核大小为1×1，所述预设方法为最大池化。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述源域数据集为公开的行人属性数据集，所述行人属性数据集包括PETA数据集、RAP数据集和PA-100K数据集，所述目标域数据为通过安装在所述车辆上的摄像装置采集到的真实场景数据。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述车辆为自动驾驶车辆或无人驾驶车辆。

7.一种行人属性识别装置，其特征在于，包括：

获取模块，被配置为获取多个有标注的源域数据集中的源域样本和无标注的目标域数据中的目标域样本；

训练模块，被配置为利用所述源域样本和所述目标域样本对改进的网络模型进行训练，直至满足所述改进的网络模型的训练结束条件；

识别模块，被配置为将训练得到的网络模型部署到车辆中，以使用所述训练得到的网络模型对所述车辆周围的行人进行行人属性识别，

其中，所述训练模块将所述源域样本和所述目标域样本输入至卷积层进行卷积运算，得到卷积运算结果；将所述卷积运算结果输入至自适应平均池化层，并使用预设方法进行降采样处理，得到降采样处理结果；使用sigmoid分类器对所述降采样处理结果进行分类，并使用sigmoid损失函数进行迭代运算，得到所述改进的网络模型，其中，所述网络模型为多特征空间适应网络。

8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。