[发明专利]特征提取模型训练、目标重识别方法及装置

说明书

本发明涉及计算机视觉技术领域，本发明提供一种特征提取模型训练、目标重识别方法及装置，所述训练方法包括：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，得到源域特征以及目标域特征；将目标域特征以及源域特征分别输入至域分类器的初始模型，得到目标域图像相对于源域图像分布的梯度以及目标域预测标签；基于梯度对目标域特征进行特征增强，得到目标域增强特征；基于目标域特征与目标域增强特征之间的差异、目标域簇类特征与目标域特征之间的差异以及实际域标签与预测域标签之间的差异，对特征提取模型的初始模型进行参数迭代，得到特征提取模型。本发明提高了特征提取模型的泛化性能，且保证了在目标域下的特征提取精度。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种特征提取模型训练、目标重识别方法及装置。

背景技术

目标重识别任务的目标是在图像数据库中匹配来自跨摄像机视角下与查询图像具有相同域类别的目标图像。

目前，多通过无监督域自适应方法进行目标重识别，即首先使用有标签的源域数据训练特征提取模型，随后基于无标签的目标域数据进一步优化特征提取模型。然而，该方法由于缺少目标域以外的数据，容易在目标域上过拟合，导致特征提取模型所提取的特征对域偏移的鲁棒性较差，进而影响目标重识别的精度。

发明内容

本发明提供一种特征提取模型训练、目标重识别方法及装置，用以解决现有技术中特征提取模型所提取的特征对域偏移的鲁棒性较差，进而影响目标重识别的精度的缺陷。

本发明提供一种特征提取模型训练方法，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。

根据本发明提供的一种特征提取模型训练方法，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。

根据本发明提供的一种特征提取模型训练方法，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。

根据本发明提供的一种特征提取模型训练方法，所述簇类损失基于如下公式确定：