[发明专利]重识别模型训练方法、装置、设备及可读存储介质

说明书

本发明公开了一种重识别模型训练方法，该方法包括：获取样本数据集，并利用所述样本数据集对预设待训练模型进行预训练，得到第一识别模型；利用所述第一识别模型对所述样本数据集进行特征提取处理，并对提取的特征进行计算，得到目标特征值；根据所述目标特征值对所述样本数据集进行标签替换处理，得到目标样本数据；利用所述目标样本数据对所述预设待训练模型进行训练，得到目标重识别模型。本发明还公开了一种重识别模型训练装置、设备及可读存储介质。本发明通过利用经过标签替换处理得到的目标样本数据对重识别模型进行训练，提高了重识别模型的识别性能。

技术领域

本发明涉及重识别技术领域，尤其涉及一种重识别模型训练方法、装置、设备及可读存储介质。

背景技术

随着重识别技术的发展，在行人重识别、车辆重识别等识别任务中，常常采用一些数据增强、训练Tricks等方法提升模型性能。目前常用的利用one-hot编码标签提升重识别模型性能的方法，在重识别模型训练过程中，鼓励模型预测为目标类别的概率趋近1，非目标类别的概率趋近0，即最终预测的所有类别的概率分布的向量值中目标类别的值会趋于无穷大，使得模型向预测正确与错误标签的向量差值无限增大的方向学习，而过大的向量差值会使模型缺乏适应性，对自身的预测结果过于自信，从而出现模型过拟合，泛化能力差。为解决模型过拟合问题，提高模型的泛化能力，也有基于标签平滑的模型训练方法，使用交叉熵的损失函数作为目标损失函数，标签平滑相当于在真实标签数据中加入了噪声，避免模型对正确标签的预测结果过于自信，使得对目标类别和非目标类别的预测向量值的差别不那么大，从而避免模型过拟合，提高模型的泛化能力。目前基于标签平滑的方法训练出的重识别模型虽然解决了模型的过拟合问题，但模型的识别性能并不理想。

发明内容

本发明的主要目的在于提供一种重识别模型训练方法、装置、设备及可读存储介质，旨在解决现有重识别模型性能较低的技术问题。

此外，为实现上述目的，本发明还提供一种重识别模型训练方法，所述重识别模型训练方法包括以下步骤：

获取样本数据集，并利用所述样本数据集对预设待训练模型进行预训练，得到第一识别模型；

利用所述第一识别模型对所述样本数据集进行特征提取处理，并对提取的特征进行计算，得到目标特征值；

根据所述目标特征值对所述样本数据集进行标签替换处理，得到目标样本数据；

利用所述目标样本数据对所述预设待训练模型进行训练，得到目标重识别模型。

可选地，所述利用所述样本数据集对预设待训练模型进行预训练，得到第一识别模型的步骤，包括：

获取所述样本数据集的标签数据，并对所述标签数据进行标签平滑处理，得到第一目标样本数据；

利用所述第一目标样本数据对所述预设待训练模型进行训练，得到第一识别模型。

可选地，所述获取所述样本数据集的标签数据，并对所述标签数据进行标签平滑处理，得到第一目标样本数据的步骤，包括：

获取所述样本数据集的标签数据，根据所述标签数据计算所述样本数据集的损失函数；

利用第一预设算法对所述损失函数中的参数进行替换，以对所述样本数据集的标签数据进行标签平滑处理，得到第一目标样本数据。

可选地，所述样本数据包括图像数据，所述利用所述第一识别模型对所述样本数据集进行特征提取处理，并对提取的特征进行计算，得到目标特征值的步骤，包括：

利用所述第一识别模型，对所述样本数据集中的图像数据进行特征提取，得到目标特征向量；

从所述样本数据集的图像数据中确定第一图像数据，并从所述目标特征向量中确定所述第一图像数据对应的第一特征向量；