模型训练方法、数据检索方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115457638A(43)申请公布日2022.12.09(21)申请号202211198978.4G06V10/82(2022.01)(22)申请日2022.09.29(71)申请人中国农业银行股份有限公司地址100005北京市东城区建国门内大街69号(72)发明人史国华(74)专利代理机构北京同立钧成知识产权代理有限公司11205专利代理师师索刘芳(51)Int.Cl.G06V40/16(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06V10/74(2022.01)G06V10/774(2022.01)权利要求书3页说明书15页附图5页(54)发明名称模型训练方法、数据检索方法、装置、设备及存储介质(57)摘要本申请提供一种模型训练方法、数据检索方法、装置、设备及存储介质，涉及人工智能技术领域，模型训练方法用于训练数据编码模型，数据编码模型包括第一子模型和第二子模型，模型训练方法包括：获取训练图像及训练图像对应的近似二进制哈希码矩阵；基于训练图像和近似二进制哈希码矩阵，对第一子模型进行迭代训练，得到训练完成的第一子模型以及第一子模型输出的目标合成图像；将训练图像、近似二进制哈希码矩阵和目标合成图像输入第二子模型进行编码处理，根据确定的柯西分布交叉熵损失和柯西分布量化损失调整第二子模型的参数，得到训练完成的数据编码模型。本申请能够得到精度更高的数据编码模型，以用于更加准确地进行数据检索。CN115457638ACN115457638A权利要求书1/3页1.一种模型训练方法，其特征在于，用于训练数据编码模型，所述数据编码模型包括第一子模型和第二子模型，所述模型训练方法包括：获取训练图像，所述训练图像包含人脸；基于所述训练图像，获取所述训练图像对应的近似二进制哈希码矩阵，所述近似二进制哈希码矩阵包含所述训练图像的近似二进制哈希码；基于所述训练图像和所述近似二进制哈希码矩阵，对第一子模型进行迭代训练，得到训练完成的第一子模型，以及所述训练完成的第一子模型输出的目标合成图像；将所述训练图像、所述近似二进制哈希码矩阵和所述目标合成图像输入所述第二子模型进行编码处理，确定柯西分布交叉熵损失和柯西分布量化损失，所述柯西分布交叉熵损失用于判断当前图像和所述训练图像的近似二进制哈希码的相似性，所述柯西分布量化损失用于控制将第二子模型输出的目标二进制哈希码做连续松弛引起的量化误差；根据所述柯西分布交叉熵损失和所述柯西分布量化损失调整第二子模型的参数，得到训练完成的数据编码模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述第一子模型包括编码鉴别网络、生成网络和训练鉴别网络，所述基于所述训练图像和所述近似二进制哈希码矩阵，对第一子模型进行迭代训练，得到训练完成的第一子模型，以及所述训练完成的第一子模型输出的目标合成图像，包括：将所述近似二进制哈希码矩阵和随机噪声向量输入所述编码鉴别网络，基于所述近似二进制哈希码矩阵和所述随机噪声向量的相似度，确定第一损失；根据所述第一损失调整所述随机噪声向量，得到调整后的随机噪声向量；将所述近似二进制哈希码矩阵和所述调整后的随机噪声向量输入所述生成网络，生成初始合成图像；将所述训练图像和所述初始合成图像输入所述训练鉴别网络，基于所述训练鉴别网络的当前处理图像是否为所述训练图像，确定第二损失；以及基于所述训练鉴别网络的当前处理图像与所述训练图像的相似度，确定第三损失；根据所述第二损失和所述第三损失调整第一子模型的参数，得到训练完成的第一子模型，以及所述训练完成的第一子模型的生成网络输出的目标合成图像。3.根据权利要求1所述的模型训练方法，其特征在于，所述将所述训练图像、所述近似二进制哈希码矩阵和所述目标合成图像输入所述第二子模型进行编码处理，确定柯西分布交叉熵损失和柯西分布量化损失，包括：将所述训练图像和所述目标合成图像输入所述第二子模型的卷积层进行卷积处理，得到所述训练图像和所述目标合成图像中每个图像对应的第一特征矩阵；将所述第一特征矩阵输入所述第二子模型的池化层进行池化处理，得到第二特征矩阵；将所述第二特征矩阵和所述近似二进制哈希码矩阵输入所述第二子模型的全连接层进行全连接处理，得到所述训练图像和所述目标合成图像中每个图像对应的目标二进制哈希码，并确定所述柯西分布交叉熵损失和所述柯西分布量化损失。4.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述基于所述训练图像，获取所述训练图像对应的近似二进制哈希码矩阵，包括：2CN115457638A权利要求书2/3页获取所述训练图像对应的成对相似性矩阵；对所述成对相似性矩阵进行降维处理，得到低维成对相似性矩阵；根据所述成对相似性矩阵和所述低维成