属性识别模型训练方法、系统、介质及装置与流程

本发明属于人工智能应用的计算机视觉，涉及一种训练方法，特别是涉及一种属性识别模型训练方法、系统、介质及装置。

背景技术：

1、目标的属性识别，是计算机视觉领域、人工智能应用领域的重要任务之一。该技术已被广泛应用于安防、监控、及人流车流分析等场景中。扩散模型(diffusion model)主要应用于生成模型，如图片生成、文本生成、语音生成和波形信号生成等领域，且取得优异表现。

2、属性识别，主要是识别目标的基本属性，比如：行人的性别、年龄、衣着颜色和配饰；汽车的颜色、品牌和系列等等。常见的方法使用深度学习网络识别，在网络学习前，会用图像增强的手段，如左右翻转、画面平移、缩放、随机擦除、剪裁和噪声模糊等方法，对图像进行数量上的扩充。其中加入噪声模糊的方法，会损失图像自身的视觉信息。

3、在模型的训练中，对于视觉信息弱化或损失数据采用原数据标签。视觉信息损失后难以直接反映标签的数据，称为模糊数据。从图1中，可以看到当图像降低分辨率和加入噪声后，图像变为模糊后部分信息无法肉眼辨别，如斜肩包，帽子甚至发型等。

4、通常模型在训练时，会使用清晰数据和数据增强后的模糊数据同时作为训练样本，且模糊数据和源数据使用有共同标签。这样对于模型的识别精度上限是有损的，因为视觉信息损失或不足时一些属性是难以辨识的，这种训练会让识别模型对不清晰样本的难以辨识的属性进行推测，是降低模型识别精度上限的主要原因。但数据增强加入噪声的方法是必不可少的，可有效的增强识别网络泛化能力。

5、因此，现有的目标属性识别技术中，由于清晰数据和融合噪声数据共用标签的情况，从而引起模型识别精度上限损失的问题，进而导致属性识别模型精度不高，以及识别网络泛化能力不足的问题。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种属性识别模型训练方法、系统、介质及装置，用于解决现有技术在训练过程中由于清晰数据和融合噪声数据共用标签的情况，从而引起模型识别精度上限损失的问题，进而导致属性识别模型精度不高，以及识别网络泛化能力不足的问题。

2、为实现上述目的及其他相关目的，第一方面，本发明提供一种属性识别模型训练方法，包括以下步骤：获取目标清晰图像及所述目标清晰图像的属性标签；基于所述目标清晰图像和所述属性标签训练清晰数据属性识别模型；将不同程度的噪声加入所述目标清晰图像生成若干融合噪声图像；基于训练好的清晰数据属性识别模型对所述融合噪声图像进行识别，获取所述融合噪声图像的有效属性标签；基于所述融合噪声图像和对应的有效属性标签训练属性识别模型，以基于训练好的属性识别模型进行图像的属性识别。

3、本技术中，先采集目标的清晰图像，并对采集的目标的清晰图像的属性进行标签标注；基于目标的清楚图像，通过训练构建属性识别模型；同时，将目标清晰图像加入不同程度的噪声，使目标清晰图像生成若干融合噪声图像；此时，将融合噪声图像作为训练对象输入至训练好的清晰数据属性识别模型中，得到融合噪声图像的有效属性标签，从而完成对图像的属性识别过程。本技术通过扩散训练方法，依据视觉可见信息能够有效辨识属性标签强化训练中的辨识部分，从而提升属性识别模型精度。

4、在第一方面的一种实现方式中，基于所述目标清晰图像和所述属性标签训练清晰数据属性识别模型包括以下步骤：将所述目标清晰图像和所述属性标签输入所述清晰数据属性识别模型；调整所述清晰数据属性识别模型的参数，以使所述清晰数据属性识别模型输出所述目标图像的有效属性标签。

5、本实现方式中，基于目标清晰图像和属性标签，输入属性识别模型进行训练；然后调整属性识别模型的参数，最终输出目标图像的有效属性标签。

6、在第一方面的一种实现方式中，将不同程度的噪声加入所述目标清晰图像生成若干融合噪声图像包括以下步骤：采用高斯随机函数生成不同程度的噪声；按照噪声递增的顺序，将所述噪声依次与所述目标清晰图像进行融合，以获取所述融合噪声图像。

7、本实现方式中，通过对原图像的清晰图像逐步加入不同程度的噪声，以得到不同程度噪声下的图像；且得到的噪声图像有相应的属性标签。

8、在第一方面的一种实现方式中，所述融合噪声图像为：

9、

10、其中，αt＝1-βt＝1-0.001×t；t为不同程度的噪声系数；n(0,βt)为噪声；αt为扩散系数；为扩散系数的累计乘积；x0为所述目标图像；xt为所述融合噪声图像。

11、在第一方面的一种实现方式中，基于训练好的清晰数据属性识别模型对所述融合噪声图像进行识别，获取所述融合噪声图像的有效属性标签包括以下步骤：基于训练好的清晰数据属性识别模型获取所述目标清晰图像的各个属性的第一属性清晰精度；基于训练好的清晰数据属性识别模型获取所述融合噪声图像的各个属性的第二属性清晰精度；根据所述第一属性清晰精度和所述第二属性清晰精度获取有效属性标签。

12、本实现方式中，通过清晰图像的属性识别模型获得清晰图像的各个属性和属性清晰精度；再同样通过清晰数据属性识别模型获取融合噪声图像的各个属性的属性清晰精度；然后，根据不同清晰精度来获得有效属性标签，并将无效属性标签去除。

13、在第一方面的一种实现方式中，根据所述第一属性清晰精度和所述第二属性清晰精度获取有效属性标签包括以下步骤：当所述第二属性清晰精度低于所述第一属性清晰精度与预设阈值的乘积时，则判断对应的标签为无效属性标签；当所述第二属性清晰精度大于等于所述第一属性清晰精度与预设阈值的乘积时，则判断对应的标签为有效属性标签。

14、于本发明的一实施例中，所述预设阈值为：

15、

16、其中，t为不同程度的噪声系数；是所述融合噪声图像中噪声的扩散系数的累计乘积。

17、本实现方式中，进一步地通过属性精度计算公式以及判定条件，来判断对应的标签是否是有效属性标签。如果是有效属性标签，则进入下一步的流程中；如果是无效属性标签，则不再将该标签进入下一步流程中进行处理。

18、在第一方面的一种实现方式中，基于所述融合噪声图像和对应的有效属性标签训练属性识别模型，以基于训练好的属性识别模型进行图像的属性识别包括以下步骤：初始化所述属性识别模型的参数；按照噪声从大到小的顺序依次基于各个融合噪声图像和对应的有效属性标签训练所述属性识别模型；基于所述目标图像和对应的属性标签再次训练所述属性识别模型，以得到训练好的属性识别模型。

19、本实现方式中，初始化属性识别模型的参数，将不同噪声程度的图像输入至属性识别模型中进行训练，通过这种再次训练的过程，能够提高属性识别模型的精度。

20、第二方面，本技术提供一种属性识别模型训练系统，包括：采集模块，用于获取目标清晰图像及所述目标清晰图像的属性标签；识别训练模块，用于基于所述目标清晰图像和所述属性标签训练清晰数据属性识别模型；扩散噪声模块，用于将不同程度的噪声加入所述目标图像生成若干融合噪声图像将；标签生成模块，用于基于训练好的清晰数据属性识别模型对所述融合噪声图像进行识别，获取所述融合噪声图像的有效属性标签；逆扩散训练模块，用于基于所述融合噪声图像和对应的有效属性标签训练属性识别模型，以基于训练好的属性识别模型进行图像的属性识别。

21、本技术中，通过采集模块获取目标清晰图像，人工进行标注标签；基于识别训练模块对获取的目标清晰图像进行训练，得到属性识别模型；同时采用扩散噪声模块合成不同程度噪声的融合噪声图像。基于标签生成模块将融合噪声图像进行有效属性标签的判断识别，最后通过逆扩散训练模块对有效属性标签进行训练，以实现图像的属性识别。这种方法提高了图像的识别精度。

22、第三方面，本技术提供一种属性识别模型训练装置，包括：处理器及存储器。所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述属性识别模型训练装置执行所述属性识别模型训练方法。

23、如上所述，本发明的属性识别模型训练方法、系统、介质及装置，具有以下有益效果：

24、(1)本技术基于扩散模型的训练方法，在训练的过程中避免了网络的推测部分，依据视觉可见信息能够有效地辨识属性标签强化训练中的可辨识部分；从而避免在训练中过程中，由于融合噪声数据和清晰数据共标签而引起的模型识别精度上限损失的问题，从而改善并提升属性识别模型精度。

25、(2)本技术的属性识别模型训练方法能够有效地增加识别网络的泛化能力。

26、(3)本技术的属性识别模型训练方法，采用的模型结构是轻量化设计，对设备要求不高，适用性强。