网络模型的训练、图像特征的确定方法及装置制造方法及图纸

本说明书实施例提供了一种网络模型的训练、图像特征的确定方法及装置。网络模型包括特征提取网络和分类器。在训练网络模型时，获取待训练的第一图像和对应的标注标签，利用特征提取网络提取第一图像的第一特征，对第一特征包含的特征元素进行映射，得到第一图像的伪哈希特征，该伪哈希特征中的特征元素的取值在两个预设数值之间；接着，利用伪哈希特征和分类器确定第一图像的预测概率，基于预测概率与标注标签之间的差异，确定预测损失，利用该预测损失，对网络模型进行更新。对网络模型进行更新。对网络模型进行更新。

【技术实现步骤摘要】
网络模型的训练、图像特征的确定方法及装置


[0001]本说明书一个或多个实施例涉及图像处理
，尤其涉及网络模型的训练、图像 特征的确定方法及装置。

技术介绍

[0002]随着技术的进步和社会的发展，图像的应用越来越广泛，例如可以应用在视觉处理、 对象的比对和查找等领域。近年来，随着图像采集设备的不断改进，图像的像素逐渐提高， 画面的清晰度也越来越好。在对图像进行处理的过程中，从图像中提取的图像特征的数据 量也呈现大幅增加趋势。而在处理海量图像时，高数据量的图像特征也带来了很大的存储 压力和数据处理压力。
[0003]因此，希望能有改进的方案，可以在尽可能不损失图像重要特征的前提下，降低图像 特征的数据量。

技术实现思路

[0004]本说明书一个或多个实施例描述了网络模型的训练、图像特征的确定方法及装置，以 在尽可能不损失图像重要特征的前提下，降低图像特征的数据量。具体的技术方案如下。
[0005]第一方面，实施例提供了一种网络模型的训练方法，所述网络模型包括特征提取网络 和分类器，所述方法包括：
[0006]获取待训练的第一图像和对应的标注标签；
[0007]利用所述特征提取网络，提取所述第一图像的第一特征；
[0008]对所述第一特征包含的特征元素进行映射，得到所述第一图像的伪哈希特征；所述伪 哈希特征中的特征元素的取值在两个预设数值之间；
[0009]利用所述伪哈希特征和所述分类器，确定所述第一图像的预测概率；
[0010]基于所述预测概率与所述标注标签之间的差异，确定预测损失；
[0011]利用所述预测损失，对所述网络模型进行更新。
[0012]在一种实施方式中，所述对所述第一特征包含的特征元素进行映射的步骤，包括：
[0013]对所述第一特征进行降维，得到降维特征；
[0014]对所述降维特征包含的特征元素进行映射，得到所述第一图像的伪哈希特征。
[0015]在一种实施方式中，所述对所述第一特征包含的特征元素进行映射的步骤，包括：
[0016]将所述第一特征包含的特征元素输入第一预设函数，得到所述伪哈希特征中的特征元 素；所述第一预设函数的值域为所述两个预设数值之间的范围。
[0017]在一种实施方式中，所述利用所述伪哈希特征和所述分类器，确定所述第一图像的预 测概率的步骤，包括：
[0018]基于所述伪哈希特征与所述分类器中的多个类别参数之间的运算，确定所述第一图像 针对多个类别的预测概率。
[0019]在一种实施方式中，所述确定所述第一图像针对多个类别的预测概率的步骤，包括：
[0020]对所述分类器中的多个类别参数进行映射，得到多个映射类别参数；所述映射类别参 数中的特征元素的取值在所述两个预设数值之间；
[0021]基于所述伪哈希特征与所述多个映射类别参数之间的运算，确定所述第一图像针对多 个类别的预测概率。
[0022]在一种实施方式中，所述确定所述第一图像针对多个类别的预测概率的步骤，包括：
[0023]对所述伪哈希特征进行映射，得到映射特征；所述映射特征中包含的特征元素的取值 范围大于所述两个预设数值之间的范围；
[0024]基于所述映射特征与所述分类器中的多个类别参数之间的运算，确定所述第一图像针 对多个类别的预测概率。
[0025]在一种实施方式中，所述对所述伪哈希特征进行映射的步骤，包括：
[0026]将所述伪哈希特征包含的特征元素输入第二预设函数，得到所述映射特征中的特征元 素；所述第二预设函数的值域大于所述两个预设数值之间的范围。
[0027]在一种实施方式中，所述基于所述预测概率与所述标注标签之间的差异，确定预测损 失的步骤，包括：
[0028]基于所述预测概率与所述标注标签之间的差异，确定第一损失；
[0029]基于所述伪哈希特征与所述两个数值之间的差异，确定第二损失；
[0030]基于所述第一特征对应的预测概率与所述标注标签之间的差异，确定第三损失；
[0031]基于所述第一损失、所述第二损失和所述第三损失，确定预测损失。
[0032]在一种实施方式中，所述两个预设数值包括1和
‑
1。
[0033]第二方面，实施例提供了一种图像特征的确定方法，包括：
[0034]获取待确定特征的第二图像；
[0035]获取采用第一方面的方法训练后的特征提取网络；
[0036]利用所述特征提取网络，提取所述第二图像的第二特征；
[0037]对所述第二特征包含的特征元素进行映射，得到所述第二图像的伪哈希特征；所述伪 哈希特征中的特征元素的取值在两个预设数值之间；
[0038]基于所述伪哈希特征确定所述第二图像的图像特征。
[0039]在一种实施方式中，所述基于所述伪哈希特征确定所述第二图像的图像特征的步骤， 包括：
[0040]利用第一阈值，对所述伪哈希特征中的特征元素进行截断，得到哈希特征；其中，所 述哈希特征中的特征元素的取值为所述两个预设数值中的任意一个；
[0041]基于所述哈希特征确定所述第二图像的图像特征。
[0042]在一种实施方式中，该方法还包括：
[0043]将所述第二图像的图像特征与图像数据库中多个图像的图像特征进行匹配；
[0044]基于匹配结果，从所述图像数据库中确定与所述第二图像匹配的图像信息。
[0045]第三方面，实施例提供了一种网络模型的训练装置，所述网络模型包括特征提取网络 和分类器，所述装置包括：
[0046]第一获取模块，配置为获取待训练的第一图像和对应的标注标签；
[0047]第一提取模块，配置为利用所述特征提取网络，提取所述第一图像的第一特征；
[0048]第一映射模块，配置为对所述第一特征包含的特征元素进行映射，得到所述第一图像 的伪哈希特征；所述伪哈希特征中的特征元素的取值在两个预设数值之间；
[0049]第一分类模块，配置为利用所述伪哈希特征和所述分类器，确定所述第一图像的预测 概率；
[0050]第一损失模块，配置为基于所述预测概率与所述标注标签之间的差异，确定预测损失；
[0051]第一更新模块，配置为利用所述预测损失，对所述网络模型进行更新。
[0052]第四方面，实施例提供了一种图像特征的确定装置，包括：
[0053]第二获取模块，配置为获取待确定特征的第二图像；
[0054]第三获取模块，配置为获取采用第一方面的方法训练后的特征提取网络；
[0055]第二提取模块，配置为利用所述特征提取网络，提取所述第二图像的第二特征；
[0056]第二映射模块，配置为对所述第二特征包含的特征元素进行映射，得到所述第二图像 的伪哈希特征；所述伪哈希特征中的特征元素的取值在两个预设数值之间；
[0057]第一确定模块，配置为基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络模型的训练方法，所述网络模型包括特征提取网络和分类器，所述方法包括：获取待训练的第一图像和对应的标注标签；利用所述特征提取网络，提取所述第一图像的第一特征；对所述第一特征包含的特征元素进行映射，得到所述第一图像的伪哈希特征；所述伪哈希特征中的特征元素的取值在两个预设数值之间；利用所述伪哈希特征和所述分类器，确定所述第一图像的预测概率；基于所述预测概率与所述标注标签之间的差异，确定预测损失；利用所述预测损失，对所述网络模型进行更新。2.根据权利要求1所述的方法，所述对所述第一特征包含的特征元素进行映射的步骤，包括：对所述第一特征进行降维，得到降维特征；对所述降维特征包含的特征元素进行映射，得到所述第一图像的伪哈希特征。3.根据权利要求1所述的方法，所述对所述第一特征包含的特征元素进行映射的步骤，包括：将所述第一特征包含的特征元素输入第一预设函数，得到所述伪哈希特征中的特征元素；所述第一预设函数的值域为所述两个预设数值之间的范围。4.根据权利要求1所述的方法，所述利用所述伪哈希特征和所述分类器，确定所述第一图像的预测概率的步骤，包括：基于所述伪哈希特征与所述分类器中的多个类别参数之间的运算，确定所述第一图像针对多个类别的预测概率。5.根据权利要求4所述的方法，所述确定所述第一图像针对多个类别的预测概率的步骤，包括：对所述分类器中的多个类别参数进行映射，得到多个映射类别参数；所述映射类别参数中的特征元素的取值在所述两个预设数值之间；基于所述伪哈希特征与所述多个映射类别参数之间的运算，确定所述第一图像针对多个类别的预测概率。6.根据权利要求4所述的方法，所述确定所述第一图像针对多个类别的预测概率的步骤，包括：对所述伪哈希特征进行映射，得到映射特征；所述映射特征中包含的特征元素的取值范围大于所述两个预设数值之间的范围；基于所述映射特征与所述分类器中的多个类别参数之间的运算，确定所述第一图像针对多个类别的预测概率。7.根据权利要求6所述的方法，所述对所述伪哈希特征进行映射的步骤，包括：将所述伪哈希特征包含的特征元素输入第二预设函数，得到所述映射特征中的特征元素；所述第二预设函数的值域大于所述两个预设数值之间的范围。8.根据权利要求1所述的方法，所述基于所述预测概率与所述标注标签之间的差异，确定预测损失的步骤，包括：基于所述预测概率与所述标注标签之间的差异，确定第一损失；
基于所述伪哈希特征与所述两个数值之间的差异，确定第二损失；基于所述第一特征对应的预测概率与所述标注标签之间的差异，确定第三损失；基于所述第一损失、所述第二损失和所述第三损失，确定预测损失。9...

【专利技术属性】
技术研发人员：徐富荣，程远，张伟，王萌，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：