本申请涉及数据处理，更具体地，涉及一种数据处理方法、重识别方法、装置、电子设备以及存储介质。
背景技术：
1、行人重识别(person re-i dent i f i cat i on，简称re-i d)是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，有利于工作人员对监控视频开展分析工作，近年来，行人重识别技术已广泛应用于视频监控、智能安防等领域。然而，现有的行人重识别技术难以对相同背景下的不同行人进行区分，容易产生误识别。
技术实现思路
1、鉴于上述问题，本申请提出了一种数据处理方法、重识别方法、装置、电子设备以及存储介质，以改善上述问题。
2、第一方面，本申请实施例提供了一种数据处理方法，应用于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层以及特征分割层，所述方法包括：获取训练数据集，所述训练数据集包括待训练人物图像以及人像区域标记图，所述待训练人物图像包括多种类别的人物图像；通过所述重识别特征层对所述待训练人物图像进行特征提取，得到第一人像特征；通过所述特征分割层对所述待训练人物图像进行特征分割，得到第二人像特征；基于所述多种类别的人物图像与所述第一人像特征获取第一损失参数，以及基于所述人像区域标记图与所述第二人像特征获取第二损失参数；基于所述第一损失参数与所述第二损失参数对所述重识别网络模型进行训练。
3、第二方面，本申请实施例提供了一种重识别方法，应用于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层，所述方法包括：获取待重识别图像；将所述待重识别图像输入如上述第一方面方法所述的重识别网络模型，以通过所述重识别网络模型对所述待重识别图像中的人物图像进行重新识别。
4、第三方面，本申请实施例提供了一种数据处理装置，运行于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层以及特征分割层，所述装置包括：训练数据集获取模块，用于获取训练数据集，所述训练数据集包括待训练人物图像以及人像区域标记图，所述待训练人物图像包括多种类别的人物图像；特征提取模块，用于通过所述重识别特征层对所述待训练人物图像进行特征提取，得到第一人像特征；特征分割模块，用于通过所述特征分割层对所述待训练人物图像进行特征分割，得到第二人像特征；损失参数获取模块，用于基于所述多种类别的人物图像与所述第一人像特征获取第一损失参数，以及基于所述人像区域标记图与所述第二人像特征获取第二损失参数；数据处理模块，用于基于所述第一损失参数与所述第二损失参数对所述重识别网络模型进行训练。
5、第四方面，本申请实施例提供了一种重识别装置，运行于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层所述装置包括：待重识别图像获取模块，用于获取待重识别图像；重识别模块，用于将所述待重识别图像输入如上述第一方面方法所述的重识别网络模型，以通过所述重识别网络模型对所述待重识别图像中的人物图像进行重新识别。
6、第五方面，本申请提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述第一方面或第二方面所述的方法。
7、第六方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述第一方面或第二方面所述的方法。
8、本申请提供的一种数据处理方法、重识别方法、装置、电子设备以及存储介质，本数据处理方法通过获取训练数据集，所述训练数据集包括待训练人物图像以及人像区域标记图，所述待训练人物图像包括多种类别的人物图像；通过所述重识别特征层对所述待训练人物图像进行特征提取，得到第一人像特征；通过所述特征分割层对所述待训练人物图像进行特征分割，得到第二人像特征；基于所述多种类别的人物图像与所述第一人像特征获取第一损失参数，以及基于所述人像区域标记图与所述第二人像特征获取第二损失参数；基于所述第一损失参数与所述第二损失参数对所述重识别网络模型进行训练。从而通过上述方式实现了通过引入特征分割层，对重识别特征层的特征生成过程进行监督，以实现让重识别特征层更多的去关注人像区域的特性，从而使得最终提取出的特征能够对相同背景下的不同行人有更好的区分性。
1.一种数据处理方法，其特征在于，应用于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层以及特征分割层，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述重识别网络模型还包括卷积层以及池化层，所述卷积层包括相互串联的多个卷积核，所述通过所述重识别特征层对所述待训练人物图像进行特征提取，得到第一人像特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述特征分割层对所述待训练人物图像进行特征分割，得到第二人像特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述重识别网络模型还包括全连接层，所述基于所述多种类别的人物图像与所述第一人像特征获取第一损失参数，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一损失参数与所述第二损失参数对所述重识别网络模型进行训练，包括：
6.一种重识别方法，其特征在于，应用于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层，所述方法包括：
7.一种数据处理装置，其特征在于，运行于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层以及特征分割层，所述装置包括：
8.一种重识别装置，其特征在于，运行于电子设备，所述电子设备配置有重识别网络模型，所述重识别网络模型包括重识别特征层，所述装置包括：
9.一种电子设备，其特征在于，包括一个或多个处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被处理器运行时执行权利要求1-5或6任一所述的方法。
