(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221094179 9.9 (22)申请日 2022.08.08 (65)同一申请的已公布的文献号 申请公布号 CN 115063604 A (43)申请公布日 2022.09.16 (73)专利权人 中科视语 （北京） 科技有限公司 地址 102300 北京市门头沟区石龙 经济开 发区永安路20号3号楼 A-6193室 (72)发明人 王金桥　郭海云　凃鸣非　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 吴斌 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01)(56)对比文件 CN 114462515 A,202 2.05.10 CN 108898218 A,2018.1 1.27 CN 114445775 A,202 2.05.06 CN 108564121 A,2018.09.21 US 20181 14098 A1,2018.04.26 审查员 林筱枫 (54)发明名称 特征提取模型训练、 目标重识别方法及装置 (57)摘要 本发明涉及计算机视觉技术领域， 本发明提 供一种特征提取模型训练、 目标重识别方法及装 置， 所述训练方法包括： 将源域图像以及目标域 图像分别输入至特征提取模型的初始模型， 得到 源域特征以及目标域特征； 将目标域特征以及源 域特征分别输入至域分类器的初始模 型， 得到目 标域图像相对于源域图像分布的梯度以及目标 域预测标签； 基于梯度对目标域特征进行特征增 强， 得到目标域增强特征； 基于目标域特征与目 标域增强特征之间的差异、 目标域簇类特征与目 标域特征之间的差异以及实际域标签与预测域 标签之间的差异， 对特征提取模 型的初始模型进 行参数迭代， 得到特征提取模型。 本发明提高了 特征提取模 型的泛化性能， 且保证了在目标域下 的特征提取精度。 权利要求书3页 说明书12页 附图4页 CN 115063604 B 2022.11.04 CN 115063604 B 1.一种特 征提取模型训练方法， 其特 征在于， 包括： 将源域图像以及目标域图像分别输入至特征提取模型的初始模型， 由所述特征提取模 型的初始模型分别对所述源域图像和所述目标域图像进行特征提取， 得到源域特征以及目 标域特征； 将所述目标域特征以及所述源域特征分别 输入至域分类器的初始模型， 由所述域分类 器的初始模型对所述源域特征求偏导， 得到所述 目标域图像相对于源域图像分布的梯度， 以及对所述目标域特 征进行域标签预测， 得到所述目标域图像的预测域标签； 基于所述梯度， 对所述目标域特 征进行特征增强， 得到目标域增强特 征； 基于所述目标域特征与所述目标域增强特征之间的差异、 目标域簇类特征与 所述目标 域特征之 间的差异以及所述目标域图像的实际域标签与所述预测域标签之 间的差异， 对所 述特征提取模型 的初始模型进行参数迭代， 得到所述特征提取模型； 所述 目标域簇类特征 指与所述目标域特 征同类别的簇类特 征； 所述基于所述目标域特征与 所述目标域增强特征之间的差异、 目标域簇类特征与 所述 目标域特征之 间的差异以及所述目标域图像的实际域标签与所述预测域标签之 间的差异， 对所述特 征提取模型的初始模型进行参数迭代， 得到所述特 征提取模型， 包括： 基于所述目标域特 征与所述目标域增强特 征之间的差异， 确定样本级损失； 基于所述目标域簇类特 征与所述目标域特 征之间的差异， 确定 簇类损失； 基于所述实际域标签与所述预测域标签之间的差异， 确定对抗损失； 基于所述样本级损失， 所述簇类损失以及所述对抗损失， 确定模型损失， 并基于所述模 型损失对所述特 征提取模型的初始模型进行参数迭代， 得到所述特 征提取模型。 2.根据权利要求1所述的特征提取模型训练方法， 其特征在于， 所述样本级损失基于如 下公式确定： 其中， 表示所述样本级损失， 表示所述目标域特征， 表示第 个源域图像的目 标域增强特征， 表示第 类簇类特征， 表示网络超参数， 表示源域图像的数量， 表示 目标域图像的数量。 3.根据权利要求1所述的特征提取模型训练方法， 其特征在于， 所述簇类损失基于如下 公式确定： 其中， 表示所述簇类损失， 表示第 类目标域簇类特征， 表示所述目标域特 征， 表示与所述目标域特征同类别的目标域簇类特征， 表示网络超参数， 表示目标域 图像的数量。 4.根据权利要求1所述的特征提取模型训练方法， 其特征在于， 所述目标域增强特征基权　利　要　求　书 1/3 页 2 CN 115063604 B 2于如下公式确定： 其中， 表示所述目标域增强特征， 表示所述目标域特征， 表示所述梯度， 表示所述对抗损失。 5.根据权利要求1至4任一项所述的特征提取模型训练方法， 其特征在于， 所述目标域 簇类特征基于如下步骤确定： 基于目标域特征， 以及不同类别簇类特征， 确定所述目标域特征与各类别簇类特征之 间的相似度； 将最大相似度对应的类别簇类特 征作为所述目标域簇类特 征。 6.根据权利要求5所述的特征提取模型训练方法， 其特征在于， 所述将最大相似度对应 的类别簇类特 征作为所述目标域簇类特 征， 之后还 包括： 基于所述目标域特 征， 更新所述目标域簇类特 征。 7.一种目标重识别方法， 其特 征在于， 包括： 确定查询图像和检索图像库中的多个 检索图像； 将所述查询图像输入至特 征提取模型， 得到所述特 征提取模型输出的查询图像特 征； 将各检索图像输入至特 征提取模型， 得到所述特 征提取模型输出的各检索图像特 征； 基于所述 查询图像特 征与各检索图像特 征之间的相似度， 确定目标重识别结果； 所述特征提取模型基于 权利要求1至 6任一项所述的特 征提取模型训练方法训练得到 。 8.一种特 征提取模型训练装置， 其特 征在于， 包括： 特征提取单元， 用于将源域图像以及目标域图像分别输入至特征提取模型的初始模 型， 由所述特征提取模型的初始模型分别对所述源域图像和所述目标域图像进行特征提 取， 得到源域特 征以及目标域特 征； 标签预测单元， 用于将所述目标域特征以及所述源域特征分别 输入至域分类器的初始 模型， 由所述域分类器的初始模型对所述源域特征求偏导， 得到所述 目标域图像相对于源 域图像分布的梯度， 以及对所述 目标域特征进行域标签预测， 得到所述 目标域图像的预测 域标签； 特征增强单元， 用于基于所述梯度， 对所述目标域特征进行特征增强， 得到目标域增强 特征； 模型训练单元， 用于基于所述目标域特征与所述目标域增强特征之间的差异、 目标域 簇类特征与所述目标域特征之间的差异以及所述目标域图像的实际域标签与所述预测 域 标签之间的差异， 对 所述特征提取模型的初始模型进 行参数迭代， 得到所述特征提取模型； 所述目标域簇类特 征指与所述目标域特 征同类别的簇类特 征； 所述模型训练单 元， 进一步用于： 基于所述目标域特 征与所述目标域增强特 征之间的差异， 确定样本级损失； 基于所述目标域簇类特 征与所述目标域特 征之间的差异， 确定 簇类损失； 基于所述实际域标签与所述预测域标签之间的差异， 确定对抗损失； 基于所述样本级损失， 所述簇类损失以及所述对抗损失， 确定模型损失， 并基于所述模 型损失对所述特 征提取模型的初始模型进行参数迭代， 得到所述特 征提取模型。权　利　要　求　书 2/3 页 3 CN 115063604 B 3