[发明专利]目标行人属性识别模型的训练方法及行人属性识别方法

权利要求书

1.一种目标行人属性识别模型的训练方法，其特征在于，包括以下步骤：

构建初始行人属性识别模型，通过所述初始行人属性识别模型中的混合卷积对采集到的行人属性识别数据集进行图像特征提取，得到特征图，所述混合卷积包括多个卷积块，各所述卷积块中插入有批标准化层，通过所述批标准化层对提取出的所述图像特征进行标准化处理；

向所述初始行人属性识别模型引入多尺度门控多头注意力机制，对所述特征图进行筛选，并输出标准目标特征图，其中，所述初始行人属性识别模型包括所述全局平均池化层与所述预测层；

通过所述全局平均池化层将各通道的所述标准目标特征图输入至所述预测层进行映射，以训练得到目标行人属性识别模型。

2.如权利要求1所述的目标行人属性识别模型的训练方法，其特征在于，所述多个卷积块包括第一卷积块、第二卷积块、第三卷积块、第四卷积块以及第五卷积块，所述第一卷积块与所述第二卷积块的包括的卷积层相同，所述第三卷积块、所述第四卷积块以及所述第五卷积块的组成的卷积层相同。

3.如权利要求2所述的目标行人属性识别模型的训练方法，其特征在于，所述第一卷积块与所述第二卷积块均包括第一深度可分离卷积层与第一最大池化层，所述第三卷积块、所述第四卷积块以及所述第五卷积块均包括第二深度可分离卷积层、逐点卷积层与第二最大池化层，所述每个第一深度可分离卷积层与所述第二深度可分离卷积层之后插入有所述批标准化层，

所述步骤通过所述初始行人属性识别模型中的混合卷积对采集到的行人属性识别数据集进行图像特征提取，得到特征图包括：

将所述行人属性识别数据集中的行人属性识别图像依次输入到所述第一卷积块与所述第二卷积块的所述第一深度可分离卷积层中进行初步特征提取，并通过插入到所述第一深度可分离卷积层后的所述批标准化层进行标准化处理；

将经过初步特征提取并标准化处理后得到的行人属性数据依次输入到所述第三卷积块、所述第四卷积块以及所述第五卷积块的所述第二深度可分离卷积层、所述逐点卷积层与所述第二最大池化层进行卷积计算，并通过每层所述第二深度可分离卷积层后的所述批标准化层对卷积后得到的所述图像特征进行标准化处理，以输出增加通道数后的所述特征图。

4.如权利要求1所述的目标行人属性识别模型的训练方法，其特征在于，所述步骤向所述初始行人属性识别模型引入多尺度门控多头注意力机制，对所述特征图进行筛选，并输出标准目标特征图包括:

向所述初始行人属性识别模型引入所述多尺度门控多头注意力机制，所述多尺度门控多头注意力机制包括多个尺度方向、门控注意力通道以及注意力计算层，所述门控注意力通道与所述注意力计算层的数量对应；

通过所述注意力计算层在多个所述尺度方向及对应的所述门控注意力通道上对所述特征图进行通道键值注意力计算；

根据所述通道键值注意力对所述特征图进行筛选，输出所述标准目标特征图。

5.如权利要求4所述的目标行人属性识别模型的训练方法，其特征在于，所述注意力计算层包括第一激活函数层、第一特征重组层、相似性计算层、预测函数层、求和层、第二激活函数层、第二特征重组层以及标准化层，

所述步骤通过所述注意力计算层在多个所述尺度方向及对应的所述门控注意力通道上对经过所述逐点卷积层进行维度变换后的所述特征图进行通道键值注意力计算包括：

在所述多个尺度方向上，将所述特征图依次输入到第一激活函数层、第一特征重组层、相似性计算层、预测函数层、求和层、第二激活函数层、第二特征重组层以及标准化层进行所述通道键值注意力的计算，其中，所述相似性计算层采取缩放点积的计算方式。

6.一种行人属性识别方法，其特征在于，所述方法包括步骤：

获取待识别图像以及参考图像；

将所述待识别图像与所述参考图像输入到如权利要求1-5任一项所述的目标行人属性识别模型中进行行人属性识别比对；

根据识别比对结果判断所述待识别图像是否为所述参考图像，并输出判断结果。