(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 202210926650.3 (22)申请日 2022.08.03 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 张欣彧　王健　孙昊　丁二锐　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 岳晓萍 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/762(2022.01) G06N 20/00(2019.01) (54)发明名称 行人重识别模型训练方法、 装置、 电子设备 及存储介质 (57)摘要 本公开提供了一种行人重识别模型训练方 法、 装置、 电子设备及存储介质， 涉及人工智能技 术领域， 具体涉及图像处理、 计算机视觉和深度 学习等技术领域， 尤其涉及目标检测、 智能交通 等场景。 该方法包括： 确定图像样本在当前时刻 所属的当前聚类簇， 并确定当前聚类簇在当前时 刻的聚类伪标签； 并根据先前聚类簇和当前聚类 簇确定先前聚类簇在当前时刻的传递伪标签； 根 据图像样本所属的当前聚类簇在当前时刻 的聚 类伪标签和图像样本所属的先前聚类簇在当前 时刻的传递伪标签， 确定图像样 本在当前时刻的 融合伪标签； 采用图像样本在当前时刻的融合伪 标签进行模 型训练， 得到当前时刻的行人重识别 模型。 通过上述技术方案能够提高图像样本的标 签质量。 权利要求书3页 说明书10页 附图5页 CN 115273148 A 2022.11.01 CN 115273148 A 1.一种行 人重识别模型训练方法， 包括： 确定图像样本在 当前时刻所属的当前聚类簇， 并确定所述当前聚类簇在 当前时刻的聚 类伪标签； 获取图像样本在先前时刻所属的先前聚类簇， 并根据所述先前聚类簇和所述当前聚类 簇确定所述先 前聚类簇在当前时刻的传递伪标签； 根据图像样本所属的当前聚类簇在当前时刻的聚类伪标签和图像样本所属的先前聚 类簇在当前时刻的传递伪标签， 确定图像样本在当前时刻的融合伪标签； 采用所述图像样本在当前时刻的融合伪标签进行模型训练， 得到当前时刻的行人重识 别模型。 2.根据权利要求1所述的方法， 其中， 所述根据所述先前聚类簇和所述当前聚类簇确定 所述先前聚类簇在当前时刻的传递伪标签， 包括： 分别获取属于所述先前聚类簇的先前图像样本集和属于所述当前聚类簇的当前图像 样本集； 根据所述先前图像样本集和所述当前图像样本集， 确定先前时刻与当前时刻 之间的相 关性矩阵； 根据所述相关性矩阵， 确定所述先 前聚类簇在当前时刻的传递伪标签。 3.根据权利要求2所述的方法， 其中， 所述根据所述先前图像样本集和所述当前图像样 本集， 确定先 前时刻与当前时刻之间的相关性矩阵， 包括： 确定所述先 前图像样本集和所述当前图像样本集中的公共图像样本数量； 根据所述公共图像样本数量， 确定先 前时刻与当前时刻之间的相关性矩阵。 4.根据权利要求3所述的方法， 其中， 所述相关性矩阵中的第i行元素根据先前时刻的 第i个先前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定， i 为自然数。 5.根据权利要求1所述的方法， 其中， 所述确定图像样本在当前时刻所属的当前聚类 簇， 包括： 在当前时刻分别对各图像样本进行特征提取， 得到各图像样本在 当前时刻的当前特征 数据； 对各所述当前 特征数据进行聚类， 得到各图像样本在当前时刻所属的当前聚类簇 。 6.根据权利要求1 ‑5中任一项所述的方法， 其中， 所述根据图像样本所属的当前聚类簇 在当前时刻的聚类伪标签和图像样本所属的先前聚类簇在当前时刻的传递伪标签， 确定图 像样本在当前时刻的融合伪标签， 包括： 通过如下公式， 得到图像样本在当前时刻的融合伪标签： Cm＝Ct+[k×(n1×Ct‑1+n2×Ct‑2)] 其中， Cm为图像样本在t时刻的融合伪标签， Ct为图像样本所属的当前聚类簇在t时刻的 聚类伪标签， Ct‑1为图像样本在t ‑1时刻所属的先前聚类簇在当前时刻的传递伪标签， Ct‑2为 图像样本在t ‑2时刻所属的先前聚类簇在当前时刻的传递伪标签， k、 n1和n2为预设的融合系 数， t为当前时刻， t ‑1和t‑2均为先前时刻， k小于1， 且n1大于n2。 7.一种行 人重识别方法， 包括： 获取待识别的目标图像； 采用行人重识别模型对所述目标图像进行行人重识别， 得到目标图像的识别结果； 其权　利　要　求　书 1/3 页 2 CN 115273148 A 2中， 所述行人重识别模型根据如权利要求1 ‑6中任一项所述的行人重识别模型的训练方法 得到。 8.一种行 人重识别模型训练装置， 包括： 聚类伪标签模块， 用于确定 图像样本在当前时刻所属的当前聚类簇， 并确定所述当前 聚类簇在当前时刻的聚类伪标签； 传递伪标签模块， 用于获取图像样本在先前时刻所属的先前聚类簇， 并根据所述先前 聚类簇和所述当前聚类簇确定所述先 前聚类簇在当前时刻的传递伪标签； 融合伪标签模块， 用于根据图像样本所属的当前聚类簇在 当前时刻的聚类伪标签和图 像样本所属的先前聚类簇在当前时刻的传递伪标签， 确定图像样本在当前时刻的融合伪标 签； 模型训练模块， 用于采用所述图像样本在当前时刻的融合伪标签进行模型训练， 得到 当前时刻的行 人重识别模型。 9.根据权利要求8所述的装置， 其中， 所述传递伪标签模块包括： 样本集单元， 用于分别获取属于所述先前聚类簇的先前图像样本集和属于所述当前聚 类簇的当前图像样本集； 相关性单元， 用于根据所述先前图像样本集和所述当前图像样本集， 确定先前时刻与 当前时刻之间的相关性矩阵； 传递伪标签单元， 用于根据所述相关性矩阵， 确定所述先前聚类簇在当前时刻的传递 伪标签。 10.根据权利要求9所述的装置， 其中， 所述相关性单 元具体用于： 确定所述先 前图像样本集和所述当前图像样本集中的公共图像样本数量； 根据所述公共图像样本数量， 确定先 前时刻与当前时刻之间的相关性矩阵。 11.根据权利要求10所述的装置， 其中， 所述相关性矩阵中的第i行元素根据先前时刻 的第i个先 前聚类簇与当前时刻的各当前聚类簇中的公共图像样本数量确定， i 为自然数。 12.根据权利要求8所述的装置， 其中， 所述样本集单 元包括： 特征提取单元， 用于在当前时刻分别对各图像样本进行特征提取， 得到各图像样本在 当前时刻的当前 特征数据； 聚类单元， 用于对各所述当前特征数据进行聚类， 得到各图像样本在当前时刻所属的 当前聚类簇 。 13.根据权利要求8 ‑12中任一项所述的装置， 其中， 所述融合伪标签模块具体用于： 通过如下公式， 得到图像样本在当前时刻的融合伪标签： Cm＝Ct+[k×(n1×Ct‑1+n2×Ct‑2)] 其中， Cm为图像样本在t时刻的融合伪标签， Ct为图像样本所属的当前聚类簇在t时刻的 聚类伪标签， Ct‑1为图像样本在t ‑1时刻所属的先前聚类簇在当前时刻的传递伪标签， Ct‑2为 图像样本在t ‑2时刻所属的先前聚类簇在当前时刻的传递伪标签， k、 n1和n2为预设的融合系 数， t为当前时刻， t ‑1和t‑2均为先前时刻， k小于1， 且n1大于n2。 14.一种行 人重识别装置， 包括： 图像获取模块， 用于获取待识别的目标图像； 图像识别模块， 用于采用行人重识别模型对所述目标图像进行行人重识别， 得到目标权　利　要　求　书 2/3 页 3 CN 115273148 A 3