CN111191527B - 属性识别方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请实施例提供一种属性识别方法、装置、电子设备及可读存储介质，旨在提高属性识别准确性。其中，所述属性识别方法包括：获得待识别图像的图像特征；将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

Description

属性识别方法、装置、电子设备及可读存储介质

技术领域

本申请实施例涉及图像处理技术领域，具体而言，涉及一种属性识别方法、装置、电子设备及可读存储介质。

背景技术

在图像处理技术领域中，属性识别任务是根据图片的图像特征自动识别图片中物体的属性信息。通常，属性识别任务中的待识别图像的属性包括多种，以对行人图像的属性识别为例，行人图像的属性可以包括：性别、年龄、头发长短、头发颜色、是否带帽子、是否戴眼镜、是否背包、是否穿着短袖、上半身衣服颜色、是否骑车等等。以对车辆图像的属性识别为例，车辆图像的属性可以包括：车型、车身颜色、车辆品牌、车辆朝向、是否有车顶架、副驾是否有乘客、驾驶位是否系安全带、遮阳板是否放下等等。

相关技术中，为了尽可能地提高属性识别效率，缩短获得属性信息的时间，通常会一次性地从待识别图像中获得各个属性类别的属性信息。例如在获得一张待识别的行人图像后，会一次性地识别出该行人的性别、年龄、头发长短、头发颜色、是否带帽子、是否戴眼镜、是否背包、是否穿着短袖、上半身衣服颜色、是否骑车等等。然而此种属性识别方式的识别准确性不高，容易导致部分属性识别错误。

发明内容

本申请实施例提供一种属性识别方法、装置、电子设备及可读存储介质，旨在提高属性识别准确性。

本申请实施例第一方面提供一种属性识别方法，所述方法包括：

获得待识别图像的图像特征；

将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；

其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

本申请实施例第二方面提供一种属性识别装置，所述装置包括：

图像特征获得模块，用于获得待识别图像的图像特征；

属性识别模块，用于将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；

其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法中的步骤。

本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。

采用本申请提供的属性识别方法，首先获得待识别图像的图像特征，然后将该图像特征输入多个属性识别分支，以通过不同的属性识别分支对该待识别图像的不同组属性分别进行识别。其中，由于每个属性识别分支对应一组属性，且同一组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。因此被同一个属性识别分支所识别的各个属性之间具有相互促进的效果，从而利于提高属性识别结果的准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提出的属性识别方法的流程图；

图2是本申请另一实施例提出的属性识别方法的流程图；

图3是本申请一实施例提出的属性识别示意图；

图4是本申请另一实施例提出的属性识别示意图；

图5是本申请一实施例提出的模型训练流程图；

图6是本申请一实施例提出的多个类激活图的示意图；

图7是本申请一实施例提出的预设模型训练示意图；

图8是本申请一实施例提出的属性识别装置的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在图像处理技术领域中，属性识别任务是根据图片的图像特征自动识别图片中物体的属性信息。通常，属性识别任务中的待识别图像的属性包括多种，以对行人图像的属性识别为例，行人图像的属性可以包括：性别、年龄、头发长短、头发颜色、是否带帽子、是否戴眼镜、是否背包、是否穿着短袖、上半身衣服颜色、是否骑车等等。以对车辆图像的属性识别为例，车辆图像的属性可以包括：车型、车身颜色、车辆品牌、车辆朝向、是否有车顶架、副驾是否有乘客、驾驶位是否系安全带、遮阳板是否放下等等。

相关技术中，为了尽可能地提高属性识别效率，缩短获得属性信息的时间，通常会一次性地从待识别图像中获得各个属性类别的属性信息。然而此种属性识别方式的识别准确性不高，容易导致部分属性识别错误。

本申请的申请人在经过分析后，确定此种属性识别方式的识别准确性不高的原因之一在于：部分属性在被识别时，图像上对属性识别结果起决定作用的图像区域相同或相近；部分属性在被识别时，图像上对属性识别结果起决定作用的图像区域互有差异，当起决定作用的图像区域互有差异的两个属性(后文统称为互斥属性)在同时识别期间，其相互产生负面影响，导致属性识别的准确性降低。

以对行人图像的属性识别为例，行人图像的属性可以包括：性别、年龄、头发长短、头发颜色、是否带帽子、是否戴眼镜、是否背包、是否穿着短袖、上半身衣服颜色、是否骑车等等。本申请的申请人通过训练属性识别模型，然后以一张行人图像为例，利用训练完毕的属性识别模型，针对该行人图像的每种属性生成该属性对应的激活图，从而根据激活图确定每种属性在被识别期间，属性识别模型具体关注该行人图像的哪一区域。换言之，根据激活图确定每种属性在被识别期间，对该属性的识别结果起决定作用的图像区域的位置。

其中，一种属性对应的激活图用于表征：在识别该属性时，行人图像的各个区域对属性识别结果所起的决定作用的权重。或者说，一种属性对应的激活图反应的是：训练完毕的属性识别模型中参与识别该属性的各个模型参数。下文将具体介绍生成激活图的方式，此处暂不赘述。

申请人通过观察行人图像的多个属性各自对应的激活图，发现各个属性在被识别时，对属性识别结果起决定作用图像区域互有差异。例如性别、头发长短、以及是否带帽子等属性各自的激活图中，高亮区域均集中在行人的脖子和肩膀附近，换言之，在识别性别、头发长短、以及是否带帽子等属性时，对属性识别结果起决定作用的图像区域是行人图像中行人的脖子和肩膀区域。

例如是否背包、是否穿着短袖等属性各自的激活图中，高亮区域均集中在行人的胳膊和上半身附近，换言之，在识别是否背包、是否穿着短袖等属性时，对属性识别结果起决定作用的图像区域是行人图像中行人的胳膊和上半身区域。

其中，由于性别属性和是否背包属性在识别期间，行人图像上对属性识别结果起决定作用的图像区域互有差异，其相互产生负面影响，导致属性识别的准确性降低。

有鉴于此，为了提高属性识别准确性，申请人提出：预先根据各个属性在识别时图像对属性识别结果起决定作用的图像区域的位置，将多个属性分为多组。其中，每组属性对应一个属性识别分支，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。在针对待识别图像进行属性识别时，首先获得待识别图像的图像特征，然后将该图像特征输入各个属性识别分支，以通过不同的属性识别分支对该待识别图像的不同组属性分别进行识别，从而避免互斥属性在同一属性识别分支中相互产生负面影响。

参考图1，图1是本申请一实施例提出的属性识别方法的流程图。如图1所示，该方法包括以下步骤：

步骤S11：获得待识别图像的图像特征。

由于本申请并不限定属性识别方法的应用领域，因此所述待识别图像的主题不做限定。例如该待识别图像可以是以行人为主题的行人图像，或者该待识别图像的主题是以车辆为主题的车辆图像。

示例地，将本申请的属性识别方法应用于行人属性识别系统后，该行人属性识别系统在执行步骤S11时，获得行人图像的图像特征。

或者示例地，将本申请的属性识别方法应用于车辆属性识别系统后，该行车辆属性识别系统在执行步骤S11时，获得车辆图像的图像特征。

步骤S12：将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别。

其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

其中，一组属性中通常包括两个或两个以上的属性。但在某些组属性中，也可以仅包括一个属性，本申请对此不做限定。例如某种属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置，与其他所有属性在识别时图像上对属性识别结果起决定作用的图像区域的位置，均不相同。因此可以将该种属性单独作为一组属性，并对应一个属性识别分支。

其中，图像上对属性识别结果起决定作用的图像区域的位置相同或相近是指：图像上对属性识别结果起决定作用的图像区域属于目标物上的同一部位。以目标物是行人为例，例如在识别是否长发属性和性别属性时，对属性识别结果起决定作用的图像区域均属于行人的脖子和肩膀部位，则可以认为：在识别是否长发属性和性别属性时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

示例地，以针对行人图像进行属性识别为例，将行人图像的属性分为三组。其中，第一组属性包括：是否长发、性别、是否戴帽子、以及是否打伞。第一组属性中的各个属性在识别时，图像上对属性识别结果起决定作用的图像区域是行人的脖子和肩膀区域，第一组属性通过第一属性识别分支识别。

第二组属性包括：是否背包、是否背双肩包、是否背单肩包、以及是否穿着短袖。第二组属性中的各个属性在识别时，图像上对属性识别结果起决定作用的图像区域是行人的胳膊和上半身区域，第二组属性通过第二属性识别分支识别。

第三组属性包括：是否穿着裙子、是否骑车、以及年龄。第三组属性中的各个属性在识别时，图像上对属性识别结果起决定作用的图像区域是行人的全身区域，第三组属性通过第三属性识别分支识别。

在通过上述步骤S11获得行人图像的图像特征后，将该图像特征输入至输入第一属性识别分支、第二属性识别分支以及第三属性识别分支。第一属性识别分支在获得该图像特征后，基于该图像特征，对第一组属性中包括的各个属性进行识别。第二属性识别分支在获得该图像特征后，基于该图像特征，对第二组属性中包括的各个属性进行识别。第三属性识别分支在获得该图像特征后，基于该图像特征，对第三组属性中包括的各个属性进行识别。

如此，行人图像的多个属性被三个属性识别分支并行识别出，并且每个属性识别分支在针对其对应的一组属性进行识别时，行人图像中对属性识别结果起决定作用的图像区域的位置相同或相近。因此在确保属性识别效率的情况下，同一个属性识别分支所识别的各个属性之间具有相互促进的效果，从而提高了属性识别结果的准确性，避免了互斥属性在同一个属性识别分支内相互产生负面影响。

此外，由于本申请的属性识别方法首先获得待识别图像的图像特征，然后将该图像特征输入至各个属性识别分支。如此，各个属性识别分支基于相同的图像特征执行属性识别操作，该图像特征体现了各个属性之间的潜在关联性，通过各个属性之间的潜在关联性进一步提高了属性识别的准确性。

应当理解的，上述示例中提到的分组数量和分组结果仅用于示意性地解释本申请，本申请在实施期间的分组数量和分组结果可以与上述示例中的分组数量和分组结果相同或不同。

示例地，上述步骤S11和步骤S12可以在预先搭建一个预设模型，并针对该预设模型进行训练之后，利用该训练完毕的模型执行。对于如何搭建该预设模型以及如何训练该预设模型，请参见下文，此处暂不赘述。

参考图2，图2是本申请另一实施例提出的属性识别方法的流程图。如图2所示，该方法包括以下步骤：

步骤S11-1：获得所述待识别图像的浅层图像特征。

步骤S12-1：将所述浅层图像特征输入多个属性识别分支。

步骤S12-2：针对每个属性识别分支，通过该属性识别分支基于所述浅层图像特征，获得该属性识别分支对应的深层图像特征，并通过该属性识别分支基于其对应的深层图像特征，针对其对应的一组属性进行识别。

其中，浅层图像特征和深层图像特征是两个相对立的概念。浅层图像特征是由一个卷积神经网络CNN的前几层所提取的图像特征，深层图像特征是该卷积神经网络CNN的后几层所提取的图像特征。或者，浅层图像特征是由第一个卷积神经网络CNN所提取的特征，深层图像特征是在将该浅层图像特征输入第二个卷积神经网络CNN后，由第二个卷积神经网络CNN基于该浅层图像特征进行进一步地提取后得到的图像特征。

通常，浅层图像特征可以包括：颜色、纹理、线条、边缘等特征。深层图像特征可以包括：面部、肢体、背包、车辆等带有语义的特征。

其中，步骤S11-1作为上述步骤S11的一种具体实施方式，步骤S12-1和步骤S12-2作为上述步骤S12的一种具体实施方式。

参考图3，图3是本申请一实施例提出的属性识别示意图。如图3所示，以一张行人图像作为待识别图像，在获得该待识别图像的浅层图像特征后，将该浅层图像特征输入第一属性识别分支、第二属性识别分支以及第三属性识别分支，每个属性识别分支在基于其获得的浅层图像特征进一步获得其对应的深层图像特征后，基于该深层图像特征进行属性识别，以获得该属性识别分支对应的一组属性中各个属性的识别结果。

应当理解的，图3中所示的分组数量和分组结果仅用于示意性地解释本申请，本申请在实施期间的分组数量和分组结果可以与图3中的分组数量和分组结果相同或不同。

示例地，在上述步骤S11-1和上述步骤S12-2中，可以利用ResNet(ResidualNeural Network)网络的不同层次，分别提取浅层图像特征和深层图像特征。具体地，例如ResNet网络包括N个残差单元block，可以利用ResNet网络的前N-1个block提取浅层图像特征，利用ResNet网络的最后一个(即第N个)block提取深层图像特征。换言之，将ResNet网络的前N-1个block提取的图像特征作为浅层图像特征，将ResNet网络的最后一个block提取的图像特征作为深层图像特征。

如此，在图3中，ResNet网络的前N-1个block位于三个属性识别分支之前，用于提取浅层图像特征。而ResNet网络的最后一个block被复制了三份，分别位于三个属性识别分支中，用于提取深层图像特征。三个属性识别分支中的block虽然具有相同的结构，但是因为在训练时分别基于不同的样本结果而更新，因此三个属性识别分支中的block的参数互不相同。

上述示例中，通过利用最后一个block提取深层图像特征，即最后一个block复制三份并分别设置在三个属性识别分支中，可以有效减少整个网络(包括用于提取浅层图像特征的模块和三个属性识别分支)的参数，提高模型训练效率。

此外，本申请通过获得待识别图像的浅层图像特征，然后将该浅层图像特征输入多个属性识别分支，通过多个属性识别分支分别提取其各自对应的深层图像特征，最后每个属性识别分支分别基于其各自对应的深层图像特征进行属性识别。其中，浅层图像特征作为多个属性识别分支共享的图像特征，用于体现多个属性之间的潜在关联性，通过各个属性之间的潜在关联性进一步提高了属性识别的准确性。而多个属性识别分支各自提取的深层图像特征，用于体现互斥属性之间的差异性，通过多个属性识别模块各自提取其对应的深层图像特征，可以进一步避免互斥属性之间相互产生负面影响，从而进一步提高属性识别准确性。

示例地，每个属性识别分支在基于其对应的深层图像特征，针对其对应的一组属性进行识别时，具体的实施方式可以是：通过该属性识别分支针对其对应的深层图像特征进行池化处理，得到池化后的图像特征；将池化后的图像特征输入该属性识别分支的多个属性识别单元，以通过不同的属性识别单元对该属性识别分支所对应的一组属性中的不同属性，分别进行识别。

其中，池化处理时采用的具体池化方式可以包括多种，本申请对具体的池化方式不做限定，例如具体的池化方式可以是：全局平均池化GAP(Global Average Pooling)、最大池化(max-pooling)、均值池化(mean-pooling)、或者一般池化(General Pooling)等等。

如图3所示，以第一属性识别分支为例，第一属性识别分支在获得其对应的深层图像特征后，对该深层图像特征进行池化处理，得到池化后的图像特征，然后将该池化后的图像特征输入四个属性识别单元。这四个属性识别单元分别对是否长发、性别、是否戴帽子、以及是否打伞等属性进行识别。具体地，每个属性识别单元可以包括全连接层和分类输出层softmax，由于各个属性识别单元在训练时分别基于不同的样本结果而更新，因此各个属性识别单元的参数互不相同。

例如，用于识别性别属性的属性识别单元在训练时，利用关于性别属性的样本结果确定损失值loss，然后基于该损失值loss对该属性识别单元进行更新。又例如，用于识别是否戴帽子属性的属性识别单元在训练时，利用关于是否戴帽子属性的样本结果确定损失值loss，然后基于该损失值loss对该属性识别单元进行更新。

上述各实施例中，不同属性识别分支分别对应不同的属性分组。本申请在实施期间，如果上述各实施例的方法通过预先训练的预设模型而执行，由于不同属性识别分支分别对应不同的属性分组，因此在预设模型训练、学习期间，对彼此的学习有促进作用的属性在同一分组内，对彼此的学习有抑制作用的属性分别放置在不同的分组。换言之，互为互斥属性的两个或多个属性分别处于不同的属性分组中，分别由不同的属性识别分支所识别。

此外，考虑到分别位于两个属性分组中的两个属性不一定都是互斥的，反而有的属性之间可能存在关联。例如上述示例中，是否穿着裙子属性处于第三组属性中，而是否穿着裙子属性与第一组属性中的是否长发、性别等属性相互关联，因为根据常识，留长发的通常是女性，穿着裙子的通常也是女性，穿着裙子的通常留长发。

如此，可以利用此种关联性，旨在进一步提高属性识别准确性。为此，本申请将与其他组属性具有关联关系的属性作为交叉属性。例如，将是否穿着裙子属性作为交叉属性，该交叉属性与第一组属性具有关联关系。

在执行上述步骤S12-2时，具体地，针对每个属性识别分支，在该属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；根据该属性识别分支对应的深层图像特征、和所述其他组属性对应的深层图像特征，对该交叉属性进行识别。其中，其他组属性对应的深层图像特征即是：其他组属性对应的属性识别分支所对应的深层图像特征。

参考图4，图4是本申请另一实施例提出的属性识别示意图。如图4所示，在第三属性识别分支对应的一组属性(即第三组属性)中，是否穿着裙子属性是一个交叉属性，该交叉属性与第一组属性(即第一属性识别分支对应的一组属性)具有关联关系。针对该交叉属性进行识别时，如图4所示，获得第一属性识别分支所对应的深层图像特征，将该深层图像特征和第三属性识别分支对应的深层图像特征进行融合，得到融合特征。最后将该融合特征输入该交叉属性的属性识别单元，从而对该交叉属性进行识别。

示例地，在融合时，可以首先拼接两个深层图像特征，得到拼接特征，然后对拼接特征执行降通道操作，得到融合特征，该融合特征的通道数等于拼接前的每个深层图像特征的通道数。

应当理解的，图4中仅示意性地给出了一种交叉属性，本申请在实施期间，可以根据实际情况确定一个或多个交叉属性，本申请对此不做限定。

本申请通过利用交叉属性与其他组属性之间的关联关系，使交叉属性在识别时可基于更多的深层图像特征，这些深层图像特征对识别该交叉属性具有正面影响，从而可以进一步提高对交叉属性的识别准确性。

以上，本申请通过实施例介绍了属性识别方法的应用过程。在某些实施例中，提及了该属性识别方法可以通过预先训练的预设模型实施。以下，本申请通过实施例介绍预设模型的训练过程。

参考图5，图5是本申请一实施例提出的模型训练流程图。如图5所示，该训练流程包括以下步骤：

步骤S51：搭建预设模型，所述预设模型包括特征提取模块和多个属性识别分支，每个属性识别分支均与所述特征提取模块连接。

其中，为了确定属性识别分支的数量和每个属性识别分支对应的一组属性中具体包括的属性，可以执行以下子步骤：

步骤S51-1：针对预设图像的每个属性，获得该属性对应的激活图，该激活图用于表征：在识别该属性时，所述预设图像的各个区域对属性识别结果所起的决定作用的权重；

步骤S51-2：根据每张激活图所表征的权重分布，将多种属性聚类成多个分组，每个分组包括的各种属性所对应的各张激活图像中，各个权重最高区域的位置相同；

步骤S51-3：针对每组属性，建立一个属性识别分支。

示例地，可以利用现有的属性识别模型(以下统称现有模型)获得多个属性各自对应的激活图。具体地，可以将一张或多张预设图像输入现有模型的特征提取网络，从而提取预设图像的图像特征feature map。然后对该图像特征做全局平均池化GAP处理，得到池化后的图像特征。再将该图像特征输入多个该现有模型的属性识别单元，得到多个属性的预测结果。其中，每个属性识别单元用于识别一种属性，每个属性识别单元包括全连接层FC和分类输出层softmax。

最后针对每种属性，利用类激活图算法CAM(Class Activation Mapping)，将该属性对应的全连接层FC的权重乘到图像特征feature map的通道channel上，换言之，将全连接层FC的权重当作每个通道channel的权重。再对各个通道channel加权求和，即得到该种属性对应的激活图。

参考图6，图6是本申请一实施例提出的多个类激活图的示意图。图6以针对行人图像的属性识别任务为例，如图6所示，是否长发、性别、是否戴帽子、以及是否打伞等属性各自的激活图中，高亮区域(即权重最高区域)均集中在行人的脖子和肩膀附近。换言之，在识别是否长发、性别、是否戴帽子、以及是否打伞等属性时，行人的脖子和肩膀区域对这些属性的识别结果起到最主要的决定作用。

如图6所示，是否背包、是否背双肩包、是否背单肩包、以及是否穿着短袖等属性各自的激活图中，高亮区域(即权重最高区域)均集中在行人的胳膊和上半身附近。换言之，在识别是否背包、是否背双肩包、是否背单肩包、以及是否穿着短袖等属性时，行人的胳膊和上半身区域对这些属性的识别结果起到最主要的决定作用。

如图6所示，是否穿着裙子、是否骑车、以及年龄等属性各自的激活图中，高亮区域(即权重最高区域)均集中在行人的全身区域。换言之，在识别是否穿着裙子、是否骑车、以及年龄等属性时，行人的全身区域对这些属性的识别结果起到最主要的决定作用。

参考图7，图7是本申请一实施例提出的预设模型训练示意图。如图7所示，将是否长发、性别、是否戴帽子、以及是否打伞等属性聚类为第一组属性；将是否背包、是否背双肩包、是否背单肩包、以及是否穿着短袖等属性聚类为第二组属性；将是否穿着裙子、是否骑车、以及年龄等属性聚类为第三组属性。分别为这三组属性各建立一个属性识别分支其中，第一组属性对应第一属性识别分支，第二组属性对应第二属性识别分支，第三组属性对应第一属性识别分支。

如图7所示，三个属性识别分支均与特征提取模块连接，每个属性识别分支可以包括属性识别单元。一个属性识别分支包括的属性识别单元的数量，与其对应的一组属性中包括的属性数量相等。换言之，一个属性识别单元用于识别一种属性。其中，每个属性识别单元具体包括全连接层和分类输出层softmax。为简化附图，图7中未示出属性识别单元包括的全连接层和分类输出层softmax。

步骤S52：获得多个样本图像，每个样本图像携带多个属性标签。

继续以针对行人图像的属性识别任务为例，在获得多张主题是行人的样本图像后，针对每张样本图像，标记出各个属性的真实属性，作为各个属性的标签。例如某一张样本图像是一张穿着裙子、背单肩包的女性图像，则针对性别属性，其标签是“女性”。针对是否背包属性，其标签是“是”。针对是否背双肩包属性，其标签是“否”。针对是否背单肩包属性，其标签是“是”。针对是否穿着裙子属性，其标签是“是”。

步骤S53：基于所述多个样本图像，对所述预设模型进行训练，包括：将每个样本图像输入所述预设模型，以通过所述特征提取模块对样本图像进行特征提取，获得该样本图像的图像特征，并通过不同的属性识别分支基于该图像特征对不同组属性分别进行识别，获得各个属性的识别结果。

继续以针对行人图像的属性识别任务为例，如图7所示，在通过特征提取模块提取出某一样本图像的图像特征后，将该图像特征输入三个属性识别分支。每个属性识别分支基于所获得的图像特征，通过其各自的各个属性识别单元，针对其对应的一组属性进行识别，并获得识别结果。

步骤S54：针对每个属性，根据该属性的识别结果和该属性对应的属性标签，对该属性所对应的属性识别分支进行更新。

示例地，如图7所示，第一属性识别分支的属性识别单元1获得是否长发属性的识别结果，根据该识别结果和是否长发属性的标签(即真实属性)，确定损失值loss。然后利用该损失值loss更新所述属性识别单元1、和第一属性识别分支中除了属性识别单元2-4以外的部分。

基于同样的构思，对第一属性识别分支的其他属性识别单元进行更新。并基于同样的构思，对其他属性识别分支和其他属性识别分支包括的属性识别单元进行更新。限于附图7的图片空间原因，图7中仅示意性地示出“是否长发”属性识别结果和“是否穿着裙子”属性识别结果对模型的更新过程，其余属性识别结果对模型的更新过程可参考上述两属性。

其中，确定损失值loss时遵循以下规则：在识别结果与标签(即真实属性)一致的情况下，损失值loss较小，例如等于0；在识别结果与标签(即真实属性)不一致的情况下，损失值loss较大，例如等于1。

步骤S55：根据多个属性各自的识别结果和多个属性各自对应的属性标签，对所述特征提取模块进行更新。

示例地，可以在经过上述步骤S54以获得多个属性各自对应的损失值loss后，计算各个损失值的平均值，然后利用该平均值对该特征提取模块进行更新。

其中，在所述预设模型训练完毕后，所述特征提取模块用于获得所述待识别图像的图像特征。

如图7所示，所示特征提取模块用于提取浅层图像特征，每个属性识别分支可以包括深层特征提取模块，深层特征提取模块用于基于浅层图像特征，提取深层图像特征。

此外，如前所述，分别位于两个属性分组中的两个属性不一定都是互斥的，反而有的属性之间可能存在关联。例如上述示例中，是否穿着裙子属性处于第三组属性中，而是否穿着裙子属性与第一组属性中的是否长发、性别等属性相互关联，因为根据常识，留长发的通常是女性，穿着裙子的通常也是女性，穿着裙子的通常留长发。

如此，在训练预设模型时可以利用此种关联性，以期在预设模型训练完毕后，获得识别准确性更高的模型。为此，本申请将与其他组属性具有关联关系的属性作为交叉属性。例如，将是否穿着裙子属性作为交叉属性，该交叉属性与第一组属性具有关联关系。

在执行上述步骤S53时，即执行步骤：通过不同的属性识别分支基于该图像特征对不同组属性分别进行识别时，具体可以包括以下子步骤：

子步骤S53-1：针对每个属性识别分支，在该属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；

子步骤S53-2：根据该属性识别分支对应的深层图像特征、和所述其他组属性所对应的深层图像特征，对该交叉属性进行识别。

如图7所示，在第三属性识别分支对应的一组属性(即第三组属性)中，是否穿着裙子属性是一个交叉属性，该交叉属性与第一组属性(即第一属性识别分支对应的一组属性)具有关联关系。针对该交叉属性进行识别时，如图7所示，获得第一属性识别分支所对应的深层图像特征，将该深层图像特征和第三属性识别分支对应的深层图像特征进行融合，得到融合特征。最后将该融合特征输入该交叉属性的属性识别单元，从而对该交叉属性进行识别。

示例地，在融合时，可以首先拼接两个深层图像特征，得到拼接特征，然后对拼接特征执行降通道操作，得到融合特征，该融合特征的通道数等于拼接前的每个深层图像特征的通道数。

应当理解的，图7中仅示意性地给出了一种交叉属性，本申请在实施期间，可以根据实际情况确定一个或多个交叉属性，本申请对此不做限定。

在执行上述步骤S54时，即执行步骤：针对每个属性，根据该属性的识别结果和该属性对应的属性标签，对该属性所对应的属性识别分支进行更新时，具体可以包括以下子步骤：

子步骤S54-1：针对交叉属性，根据该交叉属性的识别结果和该交叉属性对应的属性标签，对该交叉属性所对应的属性识别分支进行更新，并对与该交叉属性具有关联关系的其他组属性所对应的属性识别分支进行更新。

如图7所示，第三属性识别分支的属性识别单元9获得是否穿着裙子属性的识别结果，根据该识别结果和是否穿着裙子属性的标签(即真实属性)，确定损失值loss。然后利用该损失值loss更新属性识别单元9、第三属性识别分支中除了属性识别单元10和11以外的部分、以及第一属性识别分支中除了属性识别单元1至4以外的部分。

基于同一发明构思，本申请一实施例提供一种属性识别装置。参考图8，图8是本申请一实施例提出的属性识别装置的示意图。如图8所示，该装置包括：

图像特征获得模块81，用于获得待识别图像的图像特征；

属性识别模块82，用于将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；

其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近。

可选地，所述图像特征获得模块具体用于：获得所述待识别图像的浅层图像特征；

所述属性识别模块包括：

特征输入子模块，用于将所述浅层图像特征输入多个属性识别分支；

属性识别子模块，用于针对每个属性识别分支，通过该属性识别分支基于所述浅层图像特征，获得该属性识别分支对应的深层图像特征，并通过该属性识别分支基于其对应的深层图像特征，针对其对应的一组属性进行识别。

可选地，所述属性识别子模块具体用于：在属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；根据该属性识别分支对应的深层图像特征、和所述其他组属性对应的深层图像特征，对该交叉属性进行识别。

可选地，所述属性识别子模块具体用于：通过该属性识别分支针对其对应的深层图像特征进行池化处理，得到池化后的图像特征；将池化后的图像特征输入该属性识别分支的多个属性识别单元，以通过不同的属性识别单元对该属性识别分支所对应的一组属性中的不同属性，分别进行识别。

可选地，所述装置还包括：

模型搭建模块，用于在获得待识别图像的图像特征之前，搭建预设模型，所述预设模型包括特征提取模块和多个属性识别分支，每个属性识别分支均与所述特征提取模块连接；

样本图像获得模块，用于获得多个样本图像，每个样本图像携带多个属性标签；

模型训练模块，用于基于所述多个样本图像，对所述预设模型进行训练，包括：将每个样本图像输入所述预设模型，以通过所述特征提取模块对样本图像进行特征提取，获得该样本图像的图像特征，并通过不同的属性识别分支基于该图像特征对不同组属性分别进行识别，获得各个属性的识别结果；

第一更新模块，用于针对每个属性，根据该属性的识别结果和该属性对应的属性标签，对该属性所对应的属性识别分支进行更新；

第二更新模块，用于根据多个属性各自的识别结果和多个属性各自对应的属性标签，对所述特征提取模块进行更新；

其中，在所述预设模型训练完毕后，所述特征提取模块用于获得所述待识别图像的图像特征。

可选地，所述模型搭建模块包括：

激活图获得子模块，用于针对预设图像的每个属性，获得该属性对应的激活图，该激活图用于表征：在识别该属性时，所述预设图像的各个区域对属性识别结果所起的决定作用的权重；

分组确定子模块，用于根据每张激活图所表征的权重分布，将多种属性聚类成多个分组，每个分组包括的各种属性所对应的各张激活图像中，各个权重最高区域的位置相同；

分支建立子模块，用于针对每组属性，建立一个属性识别分支。

可选地，所述特征提取模块用于提取浅层图像特征，每个属性识别分支包括深层特征提取模块，所述深层特征提取模块用于基于浅层图像特征，提取深层图像特征；

所述模型训练模块具体用于：针对每个属性识别分支，在该属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；根据该属性识别分支对应的深层图像特征、和所述其他组属性所对应的深层图像特征，对该交叉属性进行识别；

所述第一更新模块具体用于：针对交叉属性，根据该交叉属性的识别结果和该交叉属性对应的属性标签，对该交叉属性所对应的属性识别分支进行更新，并对与该交叉属性具有关联关系的其他组属性所对应的属性识别分支进行更新。

基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的属性识别方法中的步骤。

基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的属性识别方法中的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种属性识别方法、装置、电子设备及可读存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种属性识别方法，其特征在于，所述方法包括：

获得待识别图像的图像特征；

将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近；

所述获得待识别图像的图像特征，包括：

获得所述待识别图像的浅层图像特征；

所述将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别，包括：

将所述浅层图像特征输入多个属性识别分支；

针对每个属性识别分支，通过该属性识别分支基于所述浅层图像特征，获得该属性识别分支对应的深层图像特征，并通过该属性识别分支基于其对应的深层图像特征，针对其对应的一组属性进行识别；

在一个属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；

根据该属性识别分支对应的深层图像特征、和所述其他组属性对应的深层图像特征，对该交叉属性进行识别。

2.根据权利要求1所述的方法，其特征在于，所述通过该属性识别分支基于其对应的深层图像特征，针对其对应的一组属性进行识别，包括：

通过该属性识别分支针对其对应的深层图像特征进行池化处理，得到池化后的图像特征；

将池化后的图像特征输入该属性识别分支的多个属性识别单元，以通过不同的属性识别单元对该属性识别分支所对应的一组属性中的不同属性，分别进行识别。

3.根据权利要求1至2任一项所述的方法，其特征在于，在获得待识别图像的图像特征之前，所述方法还包括：

搭建预设模型，所述预设模型包括特征提取模块和多个属性识别分支，每个属性识别分支均与所述特征提取模块连接；

获得多个样本图像，每个样本图像携带多个属性标签；

基于所述多个样本图像，对所述预设模型进行训练，包括：将每个样本图像输入所述预设模型，以通过所述特征提取模块对样本图像进行特征提取，获得该样本图像的图像特征，并通过不同的属性识别分支基于该图像特征对不同组属性分别进行识别，获得各个属性的识别结果；

针对每个属性，根据该属性的识别结果和该属性对应的属性标签，对该属性所对应的属性识别分支进行更新；

根据多个属性各自的识别结果和多个属性各自对应的属性标签，对所述特征提取模块进行更新；

其中，在所述预设模型训练完毕后，所述特征提取模块用于获得所述待识别图像的图像特征。

4.根据权利要求3所述的方法，其特征在于，所述搭建预设模型，包括：

针对预设图像的每个属性，获得该属性对应的激活图，该激活图用于表征：在识别该属性时，所述预设图像的各个区域对属性识别结果所起的决定作用的权重；

根据每张激活图所表征的权重分布，将多种属性聚类成多个分组，每个分组包括的各种属性所对应的各张激活图像中，各个权重最高区域的位置相同；

针对每组属性，建立一个属性识别分支。

5.根据权利要求3所述的方法，其特征在于，所述特征提取模块用于提取浅层图像特征，每个属性识别分支包括深层特征提取模块，所述深层特征提取模块用于基于浅层图像特征，提取深层图像特征；在对所述预设模型进行训练时，所述通过不同的属性识别分支基于该图像特征对不同组属性分别进行识别，包括：

针对每个属性识别分支，在该属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；

根据该属性识别分支对应的深层图像特征、和所述其他组属性所对应的深层图像特征，对该交叉属性进行识别；

所述针对每个属性，根据该属性的识别结果和该属性对应的属性标签，对该属性所对应的属性识别分支进行更新，包括：

针对交叉属性，根据该交叉属性的识别结果和该交叉属性对应的属性标签，对该交叉属性所对应的属性识别分支进行更新，并对与该交叉属性具有关联关系的其他组属性所对应的属性识别分支进行更新。

6.一种属性识别装置，其特征在于，所述装置包括：

图像特征获得模块，用于获得待识别图像的图像特征；

属性识别模块，用于将所述图像特征输入多个属性识别分支，以通过不同的属性识别分支对所述待识别图像的不同组属性分别进行识别；其中，每个属性识别分支对应一组属性，每组属性中的各个属性在被识别时，图像上对属性识别结果起决定作用的图像区域的位置相同或相近；

所述图像特征获得模块具体用于：

获得所述待识别图像的浅层图像特征；

所述属性识别模块具体用于：

将所述浅层图像特征输入多个属性识别分支；

针对每个属性识别分支，通过该属性识别分支基于所述浅层图像特征，获得该属性识别分支对应的深层图像特征，并通过该属性识别分支基于其对应的深层图像特征，针对其对应的一组属性进行识别；

在一个属性识别分支对应的一组属性中包括交叉属性的情况下，获得与该交叉属性具有关联关系的其他组属性所对应的深层图像特征；

根据该属性识别分支对应的深层图像特征、和所述其他组属性对应的深层图像特征，对该交叉属性进行识别。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至5任一所述的方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至5任一所述的方法的步骤。