(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 202210843918.7 (22)申请日 2022.07.18 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 王文安　朱树磊　殷俊　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 何倚雯 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) (54)发明名称 目标识别模型的训练方法和目标识别方法 及相关装置 (57)摘要 本申请公开了一种目标识别模型的训练方 法和目标识别方法及相关装置， 其中， 目标识别 模型的训练方法包括： 基于目标识别模型的特征 提取网络， 提取样本图像的样本图像特征， 且样 本图像标注有样本图像所属的样 本类别， 再基于 目标识别模 型的分类网络， 度量样 本图像特征分 别与各种样 本类别的特征相似度， 并度量样本图 像特征分别与各种样本类别的特征距离， 且分类 网络包含各种样本类别的参考特征； 并基于样本 图像所属的样本类别和二元损失函数， 对样本图 像特征与各样本类别的特征相似度和特征距离 进行损失度量， 得到第一损失， 并基于第一损失， 调整目标识别模型的网络参数。 上述方案， 能够 提高目标识别模 型的鲁棒性、 准确性以及模型的 训练效率。 权利要求书2页 说明书12页 附图3页 CN 115439707 A 2022.12.06 CN 115439707 A 1.一种目标识别模型的训练方法， 其特 征在于， 包括： 基于目标识别模型的特征提取网络， 提取样本图像的样本图像特征； 其中， 所述样本图 像标注有所述样本图像所属的样本类别； 基于所述目标识别模型的分类网络， 度量所述样本图像特征分别与 各种样本类别的特 征相似度， 并度量所述样本图像特征分别与所述各种样本类别的特征距离； 其中， 所述分类 网络包含所述各种样本类别的参 考特征； 基于所述样本图像所属的样本类别和二元损失函数， 对所述样本图像特征与 所述各种 样本类别的特 征相似度和特 征距离进行损失度量， 得到第一损失； 基于所述第一损失， 调整所述目标识别模型的网络参数。 2.根据权利要求1所述的方法， 其特征在于， 所述第 一损失包含所述各种样本类别分别 对应的子损失， 且所述样本图像所属的样本类别对应的子损失、 所述样本图像无关的样本 类别对应的子损失分别基于不同方式度量得到 。 3.根据权利要求1或2所述的方法， 其特征在于， 所述基于所述样本 图像所属的样本类 别和二元损失函数， 对所述样本图像特征与所述各种样本类别的特征相似度和特征距离进 行损失度量， 得到第一损失， 包括： 基于所述样本图像特征与 所述各样本类别的特征相似度和特征距离， 得到所述各种样 本类别的第二损失； 基于所述第二损失与所述样本图像所属的样本类别， 得到所述第一损失。 4.根据权利要求3所述的方法， 其特征在于， 对于所述样本 图像所属的样本类别， 所述 第二损失与所述特 征相似度正相关， 所述第二损失与所述特 征距离正相关； 和/或， 对于所述样本图像无关的样本类别， 所述第二损失与所述特征相似度负相关， 所述第二损失与所述特 征距离负相关。 5.根据权利要求3所述的方法， 其特征在于， 所述基于所述第 二损失与 所述样本图像所 属的样本类别， 得到所述第一损失， 包括： 基于所述样本图像所属的样本类别， 得到所述各种样本类别对应的损失权重； 其中， 所 述样本图像所属的样本类别的损失权重， 与所述各种样本类别的总 数量正相关， 所述样本 图像无关的样本类别的损失权 重， 与所述各种样本类别的总数量负相关； 基于所述各种样本类别对应的损失权重， 分别对所述各种样本类别的第 二损失进行加 权， 得到所述第一损失。 6.根据权利要求1所述的方法， 其特征在于， 所述度量所述样本图像特征分别与所述各 种样本类别的特 征距离， 包括： 获取所述样本图像特 征分别与所述各种样本类别的参 考特征之间的欧氏距离； 基于所述各种样本类别分别对应的欧氏距离进行数值映射， 得到所述各种样本类别分 别对应的特 征距离。 7.根据权利要求1所述的方法， 其特征在于， 在所述基于所述目标识别模型的分类网 络， 度量所述样本图像特征分别与各种样本类别的特征相似度， 并度量所述样本图像特征 分别与所述各种样本类别的特 征距离之前， 所述方法还 包括： 基于预训练的目标识别模型， 初始化所述分类网络 。 8.一种目标识别方法， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 115439707 A 2获取待识别图像和目标图像； 基于目标识别模型分别提取所述待识别图像的待识别图像特征和所述目标图像的目 标图像特征； 其中， 所述目标识别模型基于权利要求1至7任一项所述的目标识别模型训练 得到； 基于所述待识别图像特征和所述目标图像特征进行分析， 确定所述待识别图像和所述 目标图像是否为相同类别。 9.一种目标识别模型的训练装置， 其特 征在于， 包括： 提取模块， 用于基于目标识别模型的特征提取网络， 提取样本图像的样本图像特征； 其 中， 所述样本图像标注有所述样本图像所属的样本类别； 度量模块， 用于基于所述目标识别模型的分类网络， 度量所述样本 图像特征分别与各 种样本类别的特征相似度， 并度量所述样本图像特征分别与所述各种样本类别的特征距 离； 其中， 所述分类网络包 含所述各种样本类别的参 考特征； 确定模块， 用于基于所述样本 图像所属的样本类别和二元损 失函数， 对所述样本 图像 特征与所述各样本类别的特 征相似度和特 征距离进行损失度量， 得到第一损失； 调整模块， 用于基于所述第一损失， 调整所述目标识别模型的网络参数。 10.一种目标识别装置， 其特 征在于， 包括： 获取模块， 用于获取待识别图像和目标图像； 提取模块， 用于基于目标识别模型分别提取所述待识别图像的待识别图像特征和所述 目标图像的目标图像特征； 其中， 所述目标识别模 型基于权利要求9所述的目标识别模型训 练得到； 确定模块， 用于基于所述待识别图像特征和所述目标图像特征进行分析， 确定所述待 识别图像和所述目标图像是否为相同类别。 11.一种电子设备， 其特征在于， 包括相互耦接的存储器和 处理器， 所述存储器中存储 有程序指 令， 所述处理器用于执行所述程序指 令以实现权利要求 1至7任一项 所述的目标识 别模型的训练方法， 或实现权利要求8所述的目标识别方法。 12.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器运行的程序指令， 所 述程序指 令用于实现权利要求 1至7任一项 所述的目标识别模 型的训练方法， 或实现权利要 求8所述的目标识别方法。权　利　要　求　书 2/2 页 3 CN 115439707 A 3