[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

说明书

本发明涉及人工智能技术领域，提供目标行人属性识别模型的训练方法及行人属性识别方法，训练方法包括：构建初始行人属性识别模型，通过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，混合卷积包括多个卷积块，各卷积块中插入有批标准化层，通过批标准化层对图像特征进行标准化处理；向初始行人属性识别模型引入多尺度门控多头注意力机制，对特征图进行筛选，并输出标准目标特征图；通过全局平均池化层将各通道的标准目标特征图输入预测层进行映射，以得到目标行人属性识别模型。能够提升对小物体的检测能力精简网络结构，且模型尺寸大幅降低，识别用时缩短，节省了硬件资源成本和时间成本。

技术领域

本发明涉及人工智能技术领域，尤其涉及目标行人属性识别模型的训练方法及行人属性识别方法。

背景技术

目前，行人属性识别已被广泛运用于侦查、广告精准投放与商业零售市场研究分析等领域。行人属性识别即对视频图像里的行人目标进行检测与特征提取，自动判定行人各种类型的特征。精准的人体属性信息，有助于各类基于人体照片的分析工作的进行。常用的行人属性方法主要是人工智能领域的卷积神经网络(CNN)方法，然而，为了获得较高的识别准确率，现有的卷积神经网络结构过于复杂，导致实际部署时的检测时间成本较高。

发明内容

本发明实施例提供一种目标行人属性识别模型的训练方法，能够在保证识别精度的同时，降低卷积神经网络结构的复杂度，从而降低资源消耗和实际部署时对行人进行属性识别的时间成本。

第一方面，本发明实施例提供一种目标行人属性识别模型的训练方法，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。

可选的，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。

可选的，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，通过所述深度可分离卷积层中的每个卷积核对每个通道进行卷积；

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。

可选的，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: