图像处理方法、装置、电子设备及介质.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CN113255441A(43)申请公布日2021.08.13(21)申请号202110396669.7(22)申请日2021.04.13(71)申请人北京迈格威科技有限公司地址100086北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人门鑫(74)专利代理机构北京润泽恒知识产权代理有限公司11319代理人王婷婷(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图2页(54)发明名称图像处理方法、装置、电子设备及介质(57)摘要本发明提供了一种图像处理方法、装置、电子设备及介质，该方法包括：通过第一网络模型、第二网络模型二者之一对底图进行特征提取，得到底图特征；通过第一网络模型、第二网络模型中的另一个对待比对图像进行特征提取，得到待比对特征；将所述待比对特征与所述底图特征进行比对，得到比对结果；其中，所述第一网络模型和所述第二网络模型具有不同的层数和/或网络参数数量；所述第一网络模型和所述第二网络模型满足以下条件中的至少一项：所述第一网络模型和第二网络模型都是从第三网络模型蒸馏得到；所述第二网络模型从第一网络模型蒸馏得到。本发明实现了第二网络模型和第一网络模型的特征可比性，解决了多个模型特征不可比的问题。CN113255441ACN113255441A权利要求书1/2页1.一种图像处理方法，其特征在于，包括：通过第一网络模型、第二网络模型二者之一对底图进行特征提取，得到底图特征；通过第一网络模型、第二网络模型中的另一个对待比对图像进行特征提取，得到待比对特征；将所述待比对特征与所述底图特征进行比对，得到比对结果；其中，所述第一网络模型和所述第二网络模型具有不同的层数和/或网络参数数量；所述第一网络模型和所述第二网络模型满足以下条件中的至少一项：所述第一网络模型和第二网络模型都是从第三网络模型蒸馏得到；所述第二网络模型从第一网络模型蒸馏得到。2.根据权利要求1所述的方法，其特征在于，当第一网络模型和第二网络模型都是从第三网络模型蒸馏得到时，所述第一网络模型、所述第二网络模型和所述第三网络模型共享投影基；当所述第二网络模型从所述第一网络模型蒸馏得到时，所述第一网络模型和所述第二网络模型共享投影基。3.根据权利要求2所述的方法，其特征在于，当第一网络模型和第二网络模型都是从第三网络模型蒸馏得到时，所述第一网络模型、所述第二网络模型和所述第三网络模型的最后一层为具有相同网络参数的全连接层；当所述第二网络模型从所述第一网络模型蒸馏得到时，所述第一网络模型和所述第二网络模型的最后一层为具有相同网络参数的全连接层。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取训练完成的教师网络模型最后一层全连接层的网络参数；将所述教师网络模型最后一层全连接层的网络参数赋值给学生网络模型的最后一层全连接层；根据所述教师网络模型，对所述学生网络模型进行蒸馏训练，直到得到训练好的学生网络模型；在训练过程中保持所述学生网络模型的最后一层全连接层的网络参数不变；其中，当所述第一网络模型和第二网络模型都是从第三网络模型蒸馏得到时，所述教师网络模型为第三网络模型，所述训练好的学生网络模型为第一网络模型和第二网络模型；当所述第二网络模型从第一网络模型蒸馏得到时，所述教师网络模型为第一网络模型，所述训练好的学生网络模型为第二网络模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述教师网络模型，对所述学生网络模型进行蒸馏训练，直到得到训练好的学生网络模型，包括：将训练样本输入教师网络模型，得到第一特征；根据训练样本对所述学生网络模型进行训练，包括：将训练样本输入学生网络模型，得到第二特征；根据所述训练样本的标注数据和第二特征，确定所述学生网络模型的损失函数值；根据所述第一特征和第二特征，确定所述学生网络模型相对于所述教师网络模型的蒸馏损失值；根据所述损失函数值和蒸馏损失值，对所述学生网络模型除最后一层全连接层外的网络参数进行更新；循环执行上述根据训练样本对所述学生网络模型进行训练的操作，直至学生网络模型2CN113255441A权利要求书2/2页的网络参数收敛，得到训练好的学生网络模型。6.根据权利要求5所述的方法，其特征在于，根据所述损失函数值和蒸馏损失值，对所述学生网络模型除最后一层全连接层外的网络参数进行更新，包括：根据所述损失函数值和蒸馏损失值，确定整体损失值；根据所述整体损失值对所述学生网络模型除最后一层全连接层外的网络参数进行更新。7.根据权利要求6所述的方法，其特征在于，根据所述损失函数值和蒸馏损失值，确定整体损失值，包括：将所述损失函数值与所