CN115063831B 一种高性能行人检索与重识别方法及装置 （浙江工商大学）

本发明公开了一种高性能行人检索与重识检测数据集基于Ghost轻量化模型改进的YOLOv52S3，利用S1中的行人重识别数据集训练通道级稀疏化剪枝S4，利用S2中训练好的行人检测模型和S3中的行人重识别模型基于算丰SC5和云端AIS42，使用BMNNSDK2SDK工具，将S2和S3中训练完成的行人检测模型和行人重识别模S43，使用calibration_use_pb量化工具将步骤S42中转S45，通过误差评价标准确认量化精度正常之后，使用BMNNSDK2SDK提供的BMNETU工3的批处理数量时，将每批次待识别行人库送入步骤S45中的量化完成的行人重识别的S49，对S48中的候选集特征与查询集特征进预测行人特征图像中的类别。所述Focus子模块对输入图片进行切片操作，隔像素进行下采样操作，所对输入图片，采用随机裁剪为不同的大小和宽高比，缩放为同一大将增强图像输入到ResNet50网络中，ResNet50网络以ImageNet数据集进行模型预训所述BNNeck模块将行人重识别损失分离到两个不同的特征空间中优化，完成一次学49.一种高性能行人检索与重识别装置，包括存储56[0010]S3，利用S1中的行人重识别数据集训练通道级稀疏化剪7[0031]S43，使用calibration_use_pb量化工具将步骤S42中转换后的fp32umodel转换成比特私有的中间临时模型int8umodel，以S41中的lmdb数据集作为量化校准，其中int8umodel是量化生成的int8格流中的每帧视频帧进行行人检测得到行人边8设定的批处理数量时，将每批次待识别行人库送入步骤S45中的量化完成的行人重识别的[0052]为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描9[0064]主干网络模块中输入的图片通过Focus子模块自我复制并进行切片操作，隔像素长为1的Ghost网络替换CSP结构中的残差组件，步长为2的Ghost网络替换CSP结构中的卷个Ghost模块构成，第一个Ghost模块是做扩展处理，增加输入特征图的通道数。第二个Ghost模块用于减少特征图的通道数使其和网络中的直径结构体匹配，并根据直径结构连a)进一步生成新的相似特征图ghost，[0081]S3，利用S1中的行人重识别数据集训练通道级稀疏化剪[0085]BNNeck模块将行人重识别损失分离到两个不同的特征空间中优化，完成一次学[0092]其中ub表示最小批量中某特征图的均值，nin和nout分别是批量归一化层的输入和重识别训练集1500张图片，使用BMNNSDK工具中的convert_imageset接口，分别转换成lmdb数据集，其中设置行人检测图片大小640*640，行人重识别图片大小256*128，设置[0103]S43，使用calibration_use_pb量化工具将步骤S42中转换后的fp32umodel转换成比特私有的中间临时模型int8umodel，以S41中的lmdb数据集作为量化校准，S43中的使用步骤S43的int8umdel模型作为输入，编译为BMRuntime所需要的文件，并且在编译同时，计算每一层NPU模型结果与CPU的计算结果进行对比，得到行人检测和行人重识别的哪一层前后量化误差较大，对该层前后设置fpfwd_outputs参数，运行这些层保持浮点计流中的每帧视频帧进行行人检测得到行人边设定的批处理数量时，将每批次待识别行人库送入步骤S45中的量化完成的行人重识别的[0117]存储每达到一定的批量数时，利用行人重识别模型对这[0125]本发明高性能行人检索与重识别装置的实施例可以应用在任意具备数据处理能为本发明高性能行人检索与重识别装置所在任意具备数据处理能力的设备的一种硬件结在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，[0126]上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的[0129]计算机可读存储介质可以是前述任一实施例的任意具备数据处理能力的设备的设备的外部存储设备，例如设备上配备的插接式硬盘、智能存储卡(SmartMediaCard，[0131]上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围