[发明专利]特征提取模型训练、目标重识别方法及装置

权利要求书

1.一种特征提取模型训练方法，其特征在于，包括：

将源域图像以及目标域图像分别输入至特征提取模型的初始模型，由所述特征提取模型的初始模型分别对所述源域图像和所述目标域图像进行特征提取，得到源域特征以及目标域特征；

将所述目标域特征以及所述源域特征分别输入至域分类器的初始模型，由所述域分类器的初始模型对所述源域特征求偏导，得到所述目标域图像相对于源域图像分布的梯度，以及对所述目标域特征进行域标签预测，得到所述目标域图像的预测域标签；

基于所述梯度，对所述目标域特征进行特征增强，得到目标域增强特征；

基于所述目标域特征与所述目标域增强特征之间的差异、目标域簇类特征与所述目标域特征之间的差异以及所述目标域图像的实际域标签与所述预测域标签之间的差异，对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型；所述目标域簇类特征指与所述目标域特征同类别的簇类特征；

所述基于所述目标域特征与所述目标域增强特征之间的差异、目标域簇类特征与所述目标域特征之间的差异以及所述目标域图像的实际域标签与所述预测域标签之间的差异，对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型，包括：

基于所述目标域特征与所述目标域增强特征之间的差异，确定样本级损失；

基于所述目标域簇类特征与所述目标域特征之间的差异，确定簇类损失；

基于所述实际域标签与所述预测域标签之间的差异，确定对抗损失；

基于所述样本级损失，所述簇类损失以及所述对抗损失，确定模型损失，并基于所述模型损失对所述特征提取模型的初始模型进行参数迭代，得到所述特征提取模型。

2.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述样本级损失基于如下公式确定：

其中，表示所述样本级损失，表示所述目标域特征，表示第个源域图像的目标域增强特征，表示第类簇类特征，表示网络超参数，表示源域图像的数量，表示目标域图像的数量。

3.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述簇类损失基于如下公式确定：

其中，表示所述簇类损失，表示第类目标域簇类特征，表示所述目标域特征，表示与所述目标域特征同类别的目标域簇类特征，表示网络超参数，表示目标域图像的数量。

4.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述目标域增强特征基于如下公式确定：

其中，表示所述目标域增强特征，表示所述目标域特征，表示所述梯度，表示所述对抗损失。

5.根据权利要求1至4任一项所述的特征提取模型训练方法，其特征在于，所述目标域簇类特征基于如下步骤确定：

基于目标域特征，以及不同类别簇类特征，确定所述目标域特征与各类别簇类特征之间的相似度；

将最大相似度对应的类别簇类特征作为所述目标域簇类特征。

6.根据权利要求5所述的特征提取模型训练方法，其特征在于，所述将最大相似度对应的类别簇类特征作为所述目标域簇类特征，之后还包括：

基于所述目标域特征，更新所述目标域簇类特征。

7.一种目标重识别方法，其特征在于，包括：

确定查询图像和检索图像库中的多个检索图像；

将所述查询图像输入至特征提取模型，得到所述特征提取模型输出的查询图像特征；

将各检索图像输入至特征提取模型，得到所述特征提取模型输出的各检索图像特征；

基于所述查询图像特征与各检索图像特征之间的相似度，确定目标重识别结果；

所述特征提取模型基于权利要求1至6任一项所述的特征提取模型训练方法训练得到。