[发明专利]属性类别的获取方法及装置、存储介质、电子装置

说明书

本申请实施例提供了一种属性类别的获取方法及装置、存储介质、电子装置，所述方法包括：通过提取输入图像中目标对象的不同属性特征对应的注意力掩码图，其中，注意力掩码图用于表示不同属性特征的权重；根据属性特征的注意力掩码图获取属性特征的输入向量，其中，在第一属性特征与第二属性特征具有关联性的情况下，第一属性特征的输入向量与第二属性特征的输入向量具有关联性；将属性特征的输入向量输入属性分类器，得到属性特征对应的属性类别，解决了现有技术中在目标对象具有多种属性的识别技术中，分别训练不同的神经网络进行不同属性的识别，导致占用资源多、且耗时大的问题。

技术领域

本申请涉及计算机视觉处理技术领域，具体而言，涉及一种属性类别 的获取方法及装置、存储介质、电子装置。

背景技术

随着人工智能技术的发展，计算机视觉技术已经深入工业、医学、金 融等行业，其中，安防监控领域是最重要的应用场景之一。例如，车辆属 性的识别在智能交通中发挥着重要作用，借助计算机视觉技术可以对监控 场景下的车辆进行属性信息的识别。

现有的车辆属性识别技术中，分别训练不同的神经网络进行不同属性 的识别，占用资源多、且耗时大，随着待识别属性个数的增加，占用的资 源和耗时会显著增大。基于整个车辆图片输入的识别时，网络获取一些局 部的属性(如车标、天窗等)的特征表达不明显。而基于提取出车辆的部 分区域进行对应属性识别时，同样要针对不同局部区域分别训练神经网络， 占用资源多、且耗时大。

针对相关技术中，在目标对象具有多种属性的识别技术中，分别训练 不同的神经网络进行不同属性的识别，导致占用资源多、且耗时大的问题， 目前尚未有有效的解决办法。

发明内容

本申请实施例提供了一种属性类别的获取方法及装置、存储介质、电 子装置，以至少解决相关技术中在目标对象具有多种属性的识别技术中， 分别训练不同的神经网络进行不同属性的识别，导致占用资源多、且耗时 大的问题。

根据本申请的一个实施例，提供了一种属性类别的获取方法，包括： 提取输入图像中目标对象的不同属性特征对应的注意力掩码图，其中，所 述注意力掩码图用于表示不同所述属性特征的权重；根据所述属性特征的 注意力掩码图获取所述属性特征的输入向量，其中，在第一属性特征与第 二属性特征具有关联性的情况下，所述第一属性特征的输入向量与所述第 二属性特征的输入向量具有关联性；将所述属性特征的输入向量输入属性 分类器，得到所述属性特征对应的属性类别。

可选地，所述提取输入图像中目标对象的不同属性特征对应的注意力 掩码图，包括：提取所述目标对象的通用特征，得到全局三维特征向量， 其中，所述通用特征包括所述目标对象的一个或多个所述属性特征；根据 所述全局三维特征向量，提取与所述属性特征对应的属性三维特征向量， 并将所述属性三维特征向量转换为属性一维特征向量；根据所述属性一维 特征向量和目标三维特征向量生成所述属性特征对应的注意力掩码图，其中，所述目标三维特征向量为所述目标对象的属性特征中复杂度最高的属 性特征对应的三维特征向量。

可选地，在提取所述目标对象的通用特征，得到全局三维特征向量之 前，所述方法还包括：获取所述输入图像；识别所述输入图像中所述目标 对象所在区域；调整所述输入图像的大小，其中，调整后的所述输入图像 上包含所述目标对象。

可选地，所述提取所述目标对象的通用特征，得到全局三维特征向量， 包括：使用骨干网络提取所述输入图像的通用特征，得到全局三维特征向 量，其中，所述骨干网络包括以下至少之一：ResNet，GoogleNet。

可选地，所述根据所述全局三维特征向量，提取与所述属性特征对应 的属性三维特征向量，并将所述属性三维特征向量转换为属性一维特征向 量，包括：将所述全局三维特征向量输入3*3的卷积层，得到与所述属性 特征对应的所述属性三维特征向量；将所述属性三维特征向量输入全连接 层，使用损失函数训练所述属性三维特征向量，得到所述属性一维特征向 量。