[发明专利]针对人体属性分类的自适应权重调整的模型训练方法

摘要

本发明属于计算机视觉图像处理技术领域，具体为针对人体属性分类的自适应权重调整的多任务模型训练方法。本发明提出一种新颖的多任务模型，通过引入了一个基于验证误差大小及变化趋势从而更新相应任务权重的算法，在训练过程中自适应动态地调整每个任务的相应权重值。具体步骤包括：（1）人脸以及行人图片的收集和属性类别的标注；（2）构建深度神经网络；（3）训练深度神经网络；（4）利用深度网络模型，进行人体属性预测；本发明方法具有速度快、精确度高、鲁棒性好等优点，非常适用于人体相关的检测、识别、分类等实际应用。

主权项

一种自适应权重调整的多任务模型训练方法，其特征在于，具体步骤如下：（1）人脸以及行人图片的收集和属性类别的标注收集一定的原始图片数据，用于人体属性分析模型的训练；对于每张图片有相应的人体的属性类别标注；人脸属性包括：是否戴眼镜，是否戴口罩，是否佩戴墨镜，是否化妆，是否年轻，头发长短，头发是否卷曲，眉毛浓密，眼睛大小，是否为双眼皮，鼻子是否高挺，是否有双下巴等；行人的属性包括袖子长度，下身服装长度，服装风格，背包，手提包，上身服装颜色和下身服装颜色等；（2）构建深度神经网络包括：输入层，基础网络，多任务权重控制层，基础网络包括卷积层、全连接层、池化层；基础网络结构框架采用ResNet‑50框架；其中：输入层负责接受输入；输入图像经过第一层的卷积层conv1，再经池化层，并通过全连接层进行特征提取；其中，在第一个和最后一个的卷积层后连接有池化层，池化层对相邻区域值做聚合，使得网络可容忍一定的形变；经过卷积和池化操作后，将提取得到的特征输入全连接层，全连接层是对输入的特征做一个线性变换，将输入的特征投影到一个更好的子空间，从而完成属性预测任务；网络的最后为多任务权重控制层，负责计算预测的属性和标注信息间的差异值，并通过反向传播完成对权重的自适应调整；（3）训练深度神经网络采用自适应权重调整的多任务模型训练方法来训练多任务人体属性分析模型，引入一个基于验证误差的可在训练过程中动态地调整每个任务的权重的算法；每个任务的权重在训练的不同时刻都会发生变化，权重的变化是根据每个任务在验证集上的误差大小以及变化趋势决定，通过不断迭代计算和反向传播，优化深度网络模型中的参数；（4）利用步骤（3）中的深度网络模型，进行人体属性预测在上述深度模型训练完成后，对于一张给定的人脸或行人图片，输出该图像中对于人脸属性或者行人属性的预测结果。