【技术实现步骤摘要】
本专利技术涉及图像处理，具体地说是图像特征提取异构模型的特征一致性监督训练方法及系统。
技术介绍
1、在计算机视觉领域，图像特征提取是一项重要的任务，它在图像分类、目标检测和图像分割等任务中起着关键作用。传统的特征提取方法主要基于手工设计的特征提取器，这些方法在某些情况下存在局限性。近年来，深度学习模型在图像特征提取任务中取得了显著的进展，但由于模型的复杂性和训练数据的限制，深度学习模型往往难以提取出鲁棒的、具有判别性的图像特征。目前已经存在各种各样的图像特征提取方法，如深度学习模型、传统的特征描述符等。然而，这些方法往往存在着特定场景下效果不佳或易受噪声干扰的问题。因此，需要一种方法来提高图像特征提取的准确性和鲁棒性。
2、图像特征提取精度不高、模型的泛化性相对较差，是需要解决的技术问题。
技术实现思路
1、本专利技术的技术任务是针对以上不足，提供图像特征提取异构模型的特征一致性监督训练方法及系统，来解决图像特征提取精度不高、模型的泛化性相对较差的技术问题。
2、本专利技术一种图像特征提取异构模型的特征一致性监督训练方法，包括如下步骤：
3、获取待处理的数据集，对数据集进行预处理操作，得到预处理后数据集，将预处理后数据集划分为训练集和验证集；
4、选取两个不同的异构模型，分别为第一异构模型和第二异构模型；
5、基于训练集，分别对第一异构模型以及第二异构模型进行模型训练，得到训练后第一异构模型以及训练后第二异构模型；>
6、以图像数据集为输入、分别通过训练后第一异构模型以及训练后第二异构模型进行特征提取，得到训练后第一异构模型的输出以及训练后第二异构模型的输出；
7、基于训练后第一异构模型中的输出以及训练后第二异构模型中的输出、计算一致性损失，并最小化一致性损失；
8、通过验证集的评估指标验证训练后训练后第一异构模型以及训练后第二异构模型的性能。
9、作为优选，对数据集进行预处理操作时，对数据集进行数据增强和归一化处理。
10、作为优选，所述第一异构模型为基于resnet构建的网络模型，所述第二异构模型为基于swin-transformer构建的网络模型；
11、基于训练后第一异构模型中全连接层的输出以及训练后第二异构模型中全连接层的输出、计算一致性损失。
12、作为优选，通过均方损失函数或者余弦相似度计算一致性损失；
13、通过梯度下降方法最小化一致性损失。
14、作为优选，评估指标包括准确率以及召回率。
15、第二方面，本专利技术一种图像特征提取异构模型的特征一致性监督训练系统，用于通过如第一方面任一项所述的一种图像特征提取异构模型的特征一致性监督训练方法进行监督训练，所述系统包括数据处理模块、模型选择模块、模型训练模块、特征提取模块、一致性监督模块以及验证模块；
16、所述数据处理模块用于获取待处理的数据集，对数据集进行预处理操作，得到预处理后数据集，将预处理后数据集划分为训练集和验证集；
17、所述模型选择模块用于选取两个不同的异构模型，分别为第一异构模型和第二异构模型；
18、所述模型训练模块用于基于训练集，分别对第一异构模型以及第二异构模型进行模型训练，得到训练后第一异构模型以及训练后第二异构模型；
19、所述特征提取模块用于以图像数据集为输入、分别通过训练后第一异构模型以及训练后第二异构模型进行特征提取，得到训练后第一异构模型的输出以及训练后第二异构模型的输出；
20、所述一致性监督模块用于基于训练后第一异构模型中的输出以及训练后第二异构模型中的输出、计算一致性损失，并最小化一致性损失；
21、所述验证模块用于通过验证集的评估指标验证训练后训练后第一异构模型以及训练后第二异构模型的性能。
22、作为优选，对数据集进行预处理操作时，所述数据处理模块用于对数据集进行数据增强和归一化处理。
23、作为优选，所述第一异构模型为基于resnet构建的网络模型，所述第二异构模型为基于swin-transformer构建的网络模型；
24、所述一致性监督模块用于基于训练后第一异构模型中全连接层的输出以及训练后第二异构模型中全连接层的输出、计算一致性损失。
25、作为优选，所述一致性监督模块用于通过均方损失函数或者余弦相似度计算一致性损失，并用于通过梯度下降方法最小化一致性损失。
26、作为优选，评估指标包括准确率以及召回率。
27、本专利技术的图像特征提取异构模型的特征一致性监督训练方法及系统具有以下优点：
28、1、结合了两个异构模型，充分利用它们的特点和优势，提高了特征提取的准确性和鲁棒性；
29、2、对两个异构模型的全连接层输出计算mse损失，采用梯度下降等优化方法，最小化特征一致性损失，使得不同模型的特征表示趋于一致；
30、3、使用的两个异构模型通过特征一致性监督，实现了模型间的信息传递和互补，增强了整体特征表示的一致性。；
31、4、可应用于各种图像处理和计算机视觉任务，如目标识别、图像检索等。
本文档来自技高网...【技术保护点】
1.一种图像特征提取异构模型的特征一致性监督训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，对数据集进行预处理操作时，对数据集进行数据增强和归一化处理。
3.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，所述第一异构模型为基于ResNet构建的网络模型，所述第二异构模型为基于Swin-Transformer构建的网络模型；
4.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，通过均方损失函数或者余弦相似度计算一致性损失；
5.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，评估指标包括准确率以及召回率。
6.一种图像特征提取异构模型的特征一致性监督训练系统，其特征在于，用于通过如权利要求1-5任一项所述的一种图像特征提取异构模型的特征一致性监督训练方法进行监督训练，所述系统包括数据处理模块、模型选择模块、模型训练模块、特征提取模块、一致性监督模块以及验证模块；
7.根据权利要求6所述的图像特征提取异构模型的特征一致性监督训练系统，其特征在于，对数据集进行预处理操作时，所述数据处理模块用于对数据集进行数据增强和归一化处理。
8.根据权利要求6所述的图像特征提取异构模型的特征一致性监督训练系统，其特征在于，所述第一异构模型为基于ResNet构建的网络模型，所述第二异构模型为基于Swin-Transformer构建的网络模型；
9.根据权利要求6所述的图像特征提取异构模型的特征一致性监督训练系统，其特征在于，所述一致性监督模块用于通过均方损失函数或者余弦相似度计算一致性损失，并用于通过梯度下降方法最小化一致性损失。
10.根据权利要求6所述的图像特征提取异构模型的特征一致性监督训练系统，其特征在于，评估指标包括准确率以及召回率。
...【技术特征摘要】
1.一种图像特征提取异构模型的特征一致性监督训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，对数据集进行预处理操作时，对数据集进行数据增强和归一化处理。
3.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，所述第一异构模型为基于resnet构建的网络模型，所述第二异构模型为基于swin-transformer构建的网络模型；
4.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，通过均方损失函数或者余弦相似度计算一致性损失；
5.根据权利要求1所述的图像特征提取异构模型的特征一致性监督训练方法，其特征在于，评估指标包括准确率以及召回率。
6.一种图像特征提取异构模型的特征一致性监督训练系统，其特征在于，用于通过如权利要求1-5任一项所述的一种图像特征提取异构模型...
【专利技术属性】
技术研发人员：马凤强，杨凯，田昌英，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。