[发明专利]模型训练方法、图像相似度度量方法、终端及存储介质

权利要求书

1.一种模型训练方法，其特征在于，用于训练图像相似度度量模型，其中，所述图像相似度度量模型包括：至少一对结构相同的图像处理神经网络、及相似度计算模块；所述模型训练方法包括：

获得图像数据集，所述图像数据集包括：用于模型训练的训练图像对数据、及用于模型测试的测试图像对数据；其中，所述训练图像对数据包括一或多对训练图像对，所述测试图像对数据包括一或多对测试图像对；

对所述图像相似度度量模型输入一训练图像对以生成对应的特征向量对；其中，每对训练图像中的第一训练图像和第二训练图像供分别输入至一所述图像处理神经网络，所述特征向量对包括：对应第一训练图像的第一训练特征向量、及对应第二训练图像的第二训练特征向量；

通过所述相似度计算模块比较所述第一训练特征向量和第二训练特征向量的相似度，以得到表征第一训练图像和第二训练图像间相似度的估计相似结果；

输入所述估计相似结果及真实相似结果至损失函数以得到损失结果；

根据所述损失结果联合训练所述一对图像处理神经网络以设置其参数；

对设置参数后的图像相似度模型输入至少一测试图像对以得到对应的测试结果；

在一或多组所述测试结果未达到预设条件的情形下循环执行上述对图像相似度度量模型输入训练图像对的步骤，或者在一或多次测试结果达到所述预设条件的情况下停止训练。

2.根据权利要求1所述的模型训练方法，其特征在于，每个所述图像处理神经网络基于深度卷积神经网络实现；其中，所述深度卷积神经网络包括：至少一个卷积层；位于至少一个卷积层后的至少一个池化层；以及，作为图像处理神经网络的输出层的第一全连接层。

3.根据权利要求2所述的模型训练方法，其特征在于，所述图像处理神经网络中的至少一个卷积层使用ReLU为激活函数；和/或，所述图像处理神经网络中的至少一个池化层使用最大池化函数进行池化处理。

4.根据权利要求1所述的模型训练方法，其特征在于，所述估计相似结果根据第一训练特征向量和第二训练特征向量间的距离计算得到，所述距离包括：欧式距离、马氏距离、余弦距离、汉明距离、及曼哈顿距离中的任意一种。

5.根据权利要求4所述的模型训练方法，其特征在于，所述估计相似结果是通过将所述第一训练特征向量和第二训练特征向量间的距离映射到(0，1)的区间内的结果。

6.根据权利要求1、4或5所述的模型训练方法，其特征在于，所述损失函数包括：交叉熵损失函数。

7.根据权利要求1所述的模型训练方法，其特征在于，在一或多次测试结果达到所述预设条件的情况下，对所述一对图像处理神经网络的参数取平均值，分别作为该一对图像处理神经网络的最终参数；和/或，所述模型训练方法还包括：在训练图像相似度度量模型时，使用基于梯度下降的优化器以提升训练速度；其中，所述优化器包括：自适应学习率优化器。

8.一种图像相似度度量方法，其特征在于，包括：

获得待比较图像对；

将所述待比较图像对输入经训练的图像相似度度量模型，以得到对应输出的图像相似度度量结果；

其中，所述图像相似度度量模型包括：至少一对结构相同的图像处理神经网络、及相似度计算模块；所述一对图像处理神经网络，用于分别输入待比较图像对中的第一待比较图像和第二待比较图像，并分别输出对应第一待比较图像的第一特征向量、及对应第二待比较图像的第二特征向量；所述相似度计算模块，用于根据所述第一特征向量及第二特征向量计算得到所述第一待比较图像和第二待比较图像间的所述图像相似度度量结果。

9.一种计算机装置，其特征在于，包括：

一或多个通信器，用于与外部通信；

一或多个存储器，用于存储至少一计算机程序；

一或多个处理器，用于运行所述至少一计算机程序，以执行如权利要求1至8中任一项所述的模型训练方法；或者，用于运行所述至少一计算机程序，以执行如权利要求9所述的图像相似度度量方法。

10.一种计算机可读存储介质，其特征在于，存储有至少一计算机程序，所述至少一计算机程序被运行时执行如权利要求1至8中任一项所述的模型训练方法；或者，所述至少一计算机程序被运行时执行如权利要求9所述的图像相似度度量方法。