(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210508053.9 (22)申请日 2022.05.11 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 司世景　王健宗　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 廖慧贤 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/762(2022.01) G06V 10/772(2022.01) G06V 10/774(2022.01)G06N 20/00(2019.01) (54)发明名称 模型的训练方法、 行人重识别方法和装置、 设备、 介质 (57)摘要 本实施例提供一种模 型的训练方法、 行人重 识别方法和装置、 设备、 介质， 属于人工智能技术 领域。 包括： 获取无标签图像和有标签图像； 对无 标签图像进行特征提取得到无标签特征向量， 对 有标签图像进行特征提取得到有标签特征向量； 对无标签特征向量进行聚类得到类别向量和离 群向量； 根据类别向量构建类别字典， 根据离群 向量构建离群字典； 将有 标签特征向量输入至原 始训练模型进行对比学习训练得到行人重识别 模型； 原始训练模型包括离群字典和类别字典， 行人重识别模 型用于对原始行人图像进行识别。 本申请公开实施例通过将离群特征向量存储至 离群字典中， 将其与类别字典加入对比学习训练 中， 能够增加训练数据， 从而提高模型的训练效 率。 权利要求书2页 说明书14页 附图6页 CN 114821657 A 2022.07.29 CN 114821657 A 1.一种模型的训练方法， 其特 征在于， 所述训练方法用于训练行 人重识别模型， 包括： 获取原始训练数据； 其中， 所述原 始训练数据包括无 标签图像和有标签图像； 对所述无标签图像进行特征提取， 得到无标签特征向量， 并对所述有标签图像进行特 征提取， 得到有标签特 征向量； 对所述无标签特征向量进行聚类处理， 得到类别向量和离群向量； 其中， 所述类别向量 为聚类质心； 根据所述类别向量构建类别字典， 并根据所述离群向量构建离群字典； 将所述有标签特征向量输入至预设的原始训练模型进行对比学习训练， 得到所述行人 重识别模 型； 其中， 所述原始训练模型包括所述离群字典和所述类别字典， 所述行人重识别 模型用于对原 始行人图像进行识别。 2.根据权利要求1所述的训练方法， 其特征在于， 所述对所述无标签图像进行特征提 取， 得到无 标签特征向量， 包括： 获取预设的特征提取模型； 其中， 所述特征提取模型包括卷积层、 全局平均池化层、 批 标准化层和归一 化层； 通过所述卷积层对所述无 标签图像进行 卷积处理， 得到卷积向量； 通过所述全局平均池化层对所述卷积向量进行平均池化处 理， 得到池化向量； 通过所述批标准 化层对所述池化向量进行批标准 化处理， 得到批标准向量； 通过所述归一 化层对所述批标准向量进行归一 化处理， 得到所述无 标签特征向量。 3.根据权利要求1所述的训练方法， 其特征在于， 所述对所述无标签特征向量进行聚类 处理， 得到类别向量， 包括： 根据预设的聚类算法对所述无 标签特征向量进行聚类得到 至少一个聚类向量； 计算所述聚类向量的平均值， 得到所述类别向量。 4.根据权利要求1至3任一项所述的训练方法， 其特征在于， 所述将所述有标签特征向 量输入至预设的原 始训练模型进行对比学习训练， 得到所述行 人重识别模型， 包括： 根据所述有标签特征向量从所述类别字典中获取对应类别的所述类别向量， 作为第 一 初步特征向量， 并将所述类别字典中其 余的所述类别向量作为第二初步特 征向量； 根据所述有标签特 征向量和所述第一初步特 征向量， 构建正样本对； 根据所述离群字典中的所述离群向量和所述第二初步特 征向量， 构建负 样本数据； 根据所述正样本对和所述负样本数据对所述原始训练模型的对比损失函数进行计算， 得到损失值； 根据所述损 失值调整所述原始训练模型的模型参数， 以训练所述原始训练模型， 得到 所述行人重识别模型。 5.根据权利要求4所述的方法， 其特征在于， 在所述根据 所述正样本对和所述负样本数 据对所述原 始训练模型的损失函数进行计算， 得到损失值之后， 所述方法还 包括： 获取预设的动量更新因子； 根据所述有标签特征向量和所述动量更新因子， 对所述类别字典进行动 量更新或对所 述类别字典进行聚类更新， 得到更新后的所述类别字典。 6.一种行 人重识别方法， 其特 征在于， 用于生成目标 行人图像， 包括： 获取待识别的原 始行人图像；权　利　要　求　书 1/2 页 2 CN 114821657 A 2对所述原 始行人图像进行 特征提取， 得到特 征提取向量； 将所述特征提取向量输入至行人重识别模型中； 其中， 所述行人重识别模型包括类别 字典， 所述行 人重识别模型根据如权利要求1至 5任一项所述的训练方法训练得到； 通过所述行人重识别模型从所述类别字典筛选出与所述特征提取向量对应的标签特 征向量； 根据所述标签特 征向量生成对应的所述目标 行人图像。 7.一种模型的训练装置， 其特 征在于， 所述训练装置用于训练行 人重识别模型， 包括： 数据获取模块： 用于获取原始训练数据； 其中， 所述原始训练数据包括无标签图像和有 标签图像； 第一特征提取模块： 用于对所述无标签图像进行特征提取， 得到无标签特征向量， 并对 所述有标签图像进行 特征提取， 得到有标签特 征向量； 聚类模块： 用于对所述无标签特征向量进行聚类处理， 得到类别向量和离群向量； 其 中， 所述类别向量 为聚类质心； 字典构建模块： 用于根据所述类别向量构建类别字典， 并根据所述离群向量构建离群 字典； 模型训练模块： 用于将所述有标签特征向量输入至预设的原始训练模型进行对比学习 训练， 得到所述行人重识别模型； 其中， 所述原始训练模型包括所述离群字典和所述类别字 典， 所述行 人重识别模型用于对原 始行人图像进行识别。 8.一种行 人重识别装置， 其特 征在于， 用于生成目标 行人图像， 包括： 图像获取模块： 用于获取待识别的原 始行人图像； 第二特征提取模块： 用于对所述原 始行人图像进行 特征提取， 得到特 征提取向量； 向量输入模块： 用于将所述特征提取向量输入至行人重识别模型中； 其中， 所述行人重 识别模型包括类别字典， 所述行人重识别模型根据如权利要求1至5任一项所述的训练方法 训练得到； 向量筛选模块： 用于通过所述行人重识别模型从所述类别字典筛选出与所述特征提取 向量对应的标签特 征向量； 图像生成模块： 用于根据所述标签特 征向量生成对应的所述目标 行人图像。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和 处理器， 其中， 所述存 储器中存 储有计算机程序， 所述计算机程序被所述处 理器执行时所述处 理器用于执 行： 如权利要求1至 5中任一项所述的训练方法； 或 如权利要求6所述的行 人重识别方法。 10.一种存储介质， 所述存储介质为计算机可读存储介质， 其特征在于， 所述计算机可 读存储有计算机程序， 在所述计算机程序被 计算机执 行时， 所述计算机用于执 行： 如权利要求1至 5中任一项所述的训练方法； 或 如权利要求6所述的行 人重识别方法。权　利　要　求　书 2/2 页 3 CN 114821657 A 3