模型训练方法及装置、电子设备和可读存储介质与流程

技术特征：
1.一种模型训练方法，所述模型应用于行人重识别，其特征在于，包括：根据神经网络模型当前训练结果确定多个识别对象的当前权值矩阵；根据所述当前权值矩阵计算多个所述识别对象对应的难度向量；和根据所述难度向量选择下一次训练的多个所述识别对象的下一训练样本。2.根据权利要求1所述的方法，其特征在于，所述根据所述当前权值矩阵计算多个所述识别对象对应的难度向量包括：根据所述当前权值矩阵的转置矩阵和所述当前权值矩阵计算得到余弦距离矩阵；所述余弦距离矩阵通过下列条件式计算得到：d＝w*w
t
其中，d为所述余弦距离矩阵，w
t
为所述当前权值矩阵的转置矩阵，w为所述当前权值矩阵。3.根据权利要求2所述的方法，其特征在于，所述根据所述当前权值矩阵计算多个所述识别对象对应的难度向量包括：根据所述余弦距离矩阵按以下条件式计算多个所述识别对象对应的难度向量：c
i
＝max
n≠i
d(i,n)；和c＝{c1,c2,c3,
…
,c
n
}其中，i表示余弦矩阵d中的行数为第i行，n表示余弦矩阵d中的列数为第n列，c为多个所述识别对象对应的难度向量，c
i
为所述第i个识别对象对应的识别难度，n表示识别对象的数量。4.根据权利要求3所述的方法，其特征在于，所述根据所述难度向量选择下一次训练的多个所述识别对象的下一训练样本包括：确定多个所述识别对象对应的难度向量中难度最大的目标识别对象；在训练数据集中选择第一数量的目标识别对象的样本并随机选择第二数量的多个所述识别对象的样本以形成所述下一训练样本。5.根据权利要求3所述的方法，其特征在于，所述根据所述难度向量选择下一次训练的多个所述识别对象的下一训练样本包括：根据多个所述识别对象对应的难度向量确定每个所述识别对象的识别难度概率；根据所述识别难度概率从训练数据集中选择预定数量的所述下一训练样本。6.根据权利要求1所述的方法，其特征在于，所述根据神经网络模型当前训练结果确定多个识别对象的当前权值矩阵包括：通过所述神经网络模型对当前训练样本进行特征提取以得到所述当前训练样本的特征向量；根据神经网络全连接操作对所述特征向量进行处理，得到多个所述识别对象对应的置信度；将全连接操作的权值矩阵中每个行向量对应每个所述识别对象的特征向量，对每个权值矩阵的所述行向量进行规范化，使得所述权值矩阵每个行向量的二范数为1。7.根据权利要求6所述的方法，其特征在于，所述对每个权值矩阵的所述行向量进行规范化，使得所述权值矩阵每个行向量的二范数为1包括：根据以下条件式对所述权值矩阵的所述行向量进行规范化：
其中，w0(i,j)指的是规范化前的所述权值矩阵中第i行j列的元素；s(i)指的是规范化前的所述权值矩阵的均方值；w(i,j)指的是规范化后的所述当前权值矩阵中第i行j列的元素。8.一种模型训练装置，其特征在于，包括：确定模块，所述确定模块用于根据神经网络模型当前训练结果确定多个识别对象的当前权值矩阵；计算模块，所述计算模块用于根据所述当前权值矩阵计算多个所述识别对象对应的难度向量；和选择模块，所述选择模块用于根据所述难度向量选择下一次训练的多个所述识别对象的下一训练样本。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现1-7任一项所述的模型训练方法。10.一种计算机程序的非易失性计算机可读存储介质，其特征在于，当所述计算机程序被一个或多个处理器执行时，实现权利要求1-7中任一项所述的模型训练方法。

技术总结
本申请公开了一种模型训练方法。该模型应用于行人重识别，模型训练方法包括：根据神经网络模型当前训练结果确定多个识别对象的当前权值矩阵；根据当前权值矩阵计算多个识别对象对应的难度向量；根据难度向量选择下一次训练的多个识别对象的下一训练样本。本申请的模型训练方法及装置、电子设备和可读存储介质通过对行人重识别训练网络中的当前权值矩阵进行规范化，并计算训练样本的难度向量，增大样本加载过程中难样本加载概率，从而提高算法对难样本的区分能力，提升算法准确率。提升算法准确率。提升算法准确率。


技术研发人员：唐小军
受保护的技术使用者：京东方科技集团股份有限公司
技术研发日：2020.11.25
技术公布日：2022/5/31