模型训练和特征提取方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657406A(43)申请公布日2021.11.16(21)申请号202110791892.1(22)申请日2021.07.13(71)申请人北京旷视科技有限公司地址100080北京市海淀区西三旗建材城内建中路12幢一层1268号申请人北京迈格威科技有限公司(72)发明人冯维新王远江袁野(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人唐正瑜(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书3页说明书13页附图2页(54)发明名称模型训练和特征提取方法、装置、电子设备及存储介质(57)摘要本申请提供一种模型训练和特征提取方法、装置、电子设备及存储介质，包括：针对第i次模型训练，获取图像样本集中的一张样本图像对应的至少三张增强图像；将至少三张增强图像中的一张增强图像输入至在线特征提取模型中，得到待查特征向量，并将至少三张增强图像中的剩余增强图像输入至目标特征提取模型中，得到至少两个正样本特征向量；在基于待查询特征向量和i次模型训练所得到的正样本特征向量确定的第一损失值不满足预设条件时，基于第一损失值对目标特征提取模型和在线特征提取模型中的参数进行更新，在更新时，利用该张样本图像的至少两个正样本特征向量来确定第一损失值，有效缩小正样本与负样本之间的数量差距，继而提高模型训练精度。CN113657406ACN113657406A权利要求书1/3页1.一种模型训练方法，其特征在于，所述方法包括：针对第i次模型训练，获取图像样本集中的一张样本图像对应的至少三张增强图像；所述至少三张增强图像为对所述样本图像进行数据增强得到；所述至少三张增强图像各不相同；i为大于等于1的正整数；将所述至少三张增强图像中的一张增强图像输入至在线特征提取模型中，得到待查特征向量，并将所述至少三张增强图像中的剩余增强图像输入至目标特征提取模型中，得到至少两个正样本特征向量；所述目标特征提取模型根据所述在线特征提取模型确定；基于所述待查询特征向量和i次模型训练所得到的正样本特征向量，确定第一损失值；在确定所述第一损失值不满足预设条件时，基于所述第一损失值对所述目标特征提取模型和所述在线特征提取模型中的参数进行更新，直到利用更新后的在线特征提取模型和更新后的目标特征提取模型确定的新的损失值满足所述预设条件。2.根据权利要求1所述的方法，其特征在于，所述基于所述待查询特征向量和i次模型训练所得到的正样本特征向量，确定第一损失值，包括：获取精炼负样本特征集；所述精炼负样本特征集包括：负样本库中与待查特征向量的内积满足第一预设条件的特征向量；所述负样本库中存储前i‑1次中的每次模型训练所得到的至少两个正样本特征向量的平均结果；i为大于等于2的正整数；基于所述精炼负样本特征集、所述待查询特征向量和所述第i次模型训练所得到的正样本特征向量，得到所述第一损失值。3.根据权利要求2所述的方法，其特征在于，基于所述精炼负样本特征集、所述待查询特征向量和所述第i次模型训练所得到的正样本特征向量，得到所述第一损失值，包括：将所述精炼负样本特征集、所述待查询特征向量，以及所述第i次模型训练所得到的正样本特征向量，输入至第一损失函数中，得到第一损失参数Loss1的所述第一损失值；kv表征第i次模型训练所得的第v个正样本特征向量；V表征第i次模型训练所得到的正样本特征向量的数量；q表征所述待查特征向量；τ表征温度常量；um表征所述精炼负样本特征集中的第m个特征向量；M表征所述精炼负样本特征集中的特征向量的数量。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取历史正特征集和历史负特征集；所述历史正特征集包括：历史特征库中与所述样本图像对应的特征向量；所述历史特征库中存储前i‑1次中的每次模型训练所得到的至少两个正样本特征向量的平均结果；所述历史负特征集包括：所述历史特征库中除所述历史正特征集以外的特征向量；基于所述历史正特征集、所述历史负特征集和所述待查询特征向量，确定第二损失值；其中，所述在确定所述第一损失值不满足预设条件时，基于所述第一损失值对所述目标特征提取模型和所述在线特征提取模型中的参数进行更新，直到利用更新后的在线特征提取模型和更新后的目标特征提取模型确定的新的损失值满足所述预设条件，包括：在确定所述第一损失值和所述第二损失值不满足所述预设条件时，基于所述第一损失值和所述第二损失值，对所述目标特征提取模型和所述在线特征提取模型中的参数进行更2CN113657406A权利要求书2/3页新，直到利用更新后的在线特征提取模型和更新后的目标特征提取模型确定的新的损失值满足所述预设条件。5.根据权利要去4所述的方法，其