属性识别、监控数据分析方法、设备及存储介质与流程

技术特征：
1.一种属性识别方法，其特征在于，包括：响应客户端对第一接口的调用请求，获取接口参数包含的第一图像；所述第一图像包含移动对象；将所述第一图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述第一图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值；将所述移动对象的不同粒度的属性的预测值返回至所述客户端。2.一种监控数据分析方法，其特征在于，包括：获取对目标场所进行拍摄得到的监控图像，所述监控图像包括移动对象；将所述监控图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述监控图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值。3.根据权利要求2所述的方法，其特征在于，还包括：获取指定对象的不同粒度的属性的值；按照属性对应的粒度级别，将所述移动对象的不同粒度的属性的预测值与所述指定对象的不同粒度的属性的值进行对比；若根据所述对比的结果，确定所述移动对象的部分属性的值与所述指定对象的部分属性的值的相似度满足设定条件，则确定所述指定对象位于所述目标场所中。4.一种属性识别方法，其特征在于，包括：获取包含移动对象的第一图像；将所述第一图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述第一图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值。5.根据权利要求4所述的方法，其特征在于，所述多个属性识别分支中的任一属性识别分支，包括：依次连接的定位网络、局部特征提取网络以及属性分类网络；其中，所述定位网络与所述属性识别分支对应的特征提取网络连接，所述定位网络用于对所述属性识别分支对应的粒度级别的属性进行定位。6.根据权利要求4所述的方法，其特征在于，基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，包括：
针对所述多级特征提取网络中的第一特征提取网络，将所述第一特征提取网络提取到的第一特征图像，输入与所述第一特征提取网络对应的第一属性识别分支；在所述第一属性识别分支中，根据所述第一特征图像，确定用于局部定位的目标特征图像；根据所述目标特征图像以及预先根据样本图像学习到的第一粒度级别的属性对应的定位参数，计算所述第一粒度级别的属性的位置的预测值；根据所述第一粒度级别的属性的位置的预测值，从所述目标特征图像中提取局部图像特征；基于提取到的所述局部图像特征以及预先学习到的属性分类参数，识别所述移动对象的第一粒度级别的属性，得到所述第一粒度级别的属性的预测值。7.根据权利要求6所述的方法，其特征在于，在所述第一属性识别分支中，根据所述第一特征图像，确定用于局部定位的目标特征图像，包括：将所述第一特征图像，作为所述目标特征图像；或者，将第二特征图像输入所述第一属性识别分支，并对所述第一特征图像和所述第二特征图像进行融合操作，得到所述目标特征图像；其中，所述第二特征图像由所述多级特征提取网中的第二特征提取网络输出。8.根据权利要求7所述的方法，其特征在于，所述第二特征提取网络的层级高于所述第一特征提取网络。9.根据权利要求7所述的方法，其特征在于，所述第二特征提取网络与所述第一属性识别分支之间，连接有采样模块；将第二特征图像输入所述第一属性识别分支之前，还包括：对所述第二特征图像进行采样处理，以使所述第二特征图像与所述第一特征图像的尺寸匹配。10.根据权利要求6-9任一项所述的方法，其特征在于，所述第一图像上标注有所述移动对象的不同粒度的属性的真值；所述方法还包括：从所述不同粒度的属性的真值中，确定所述第一粒度级别的属性的真值，作为所述第一属性识别分支的分类监督信号；根据所述第一属性识别分支输出的所述第一粒度级别的属性的预测值以及所述第一粒度级别的属性的真值，构造所述第一属性识别分支对应的局部分类损失函数；基于所述多级特征提取网络输出的全局特征对应的分类结果，确定全局分类损失函数；根据所述局部分类损失函数以及所属全局分类损失函数，对所述神经网络模型进行参数优化。11.根据权利要求10所述的方法，其特征在于，所述第一图像上标注有所述移动对象的不同粒度的属性的位置真值；所述方法还包括：从所述不同粒度的属性的位置真值中，确定所述第一粒度级别的属性的位置真值，作为所述第一属性识别分支的定位监督信号；根据所述第一属性识别分支计算得到的所述第一粒度级别的属性的位置的预测值以及所述第一粒度级别的属性的位置真值，构造所述第一属性识别分支对应的局部定位损失
函数；根据所述局部分类损失函数以及所属全局分类损失函数，对所述神经网络模型进行参数优化，包括：根据所述局部分类损失函数、所述局部定位损失函数以及所述全局分类损失函数，构造所述第一属性识别分支对应的联合损失函数；根据所述联合损失函数，对所述神经网络模型进行参数优化。12.一种电子设备，其特征在于，包括：存储器、处理器和通信组件；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行权利要求1-11任一项所述的方法中的步骤。13.一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被处理器执行时能够实现权利要求1-11任一项所述的方法中的步骤。

技术总结
本申请实施例提供一种属性识别、监控数据分析方法、设备及存储介质。在属性识别方法中，基于神经网络模型中的多级特征提取网络，可提取出多种不同层级的、包含不同粒度的信息的特征。其中，一层特征提取网络对应一个属性识别分支，进而，每个属性识别分支可分别基于对应层级的特征，识别对应粒度的属性，多个属性识别分支可基于多层级特征，识别多种粒度的属性。基于这种实施方式中，满足了不同粒度的属性的识别过程对不同层级的特征的需求，可在有效地保证细粒度的属性的识别精度的同时，提升粗粒度的属性的识别精度。粗粒度的属性的识别精度。粗粒度的属性的识别精度。


技术研发人员：何天宇 沈旭 黄建强
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.10.30
技术公布日：2021/10/18