[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

说明书

本申请的模型训练方法、图像相似度度量方法、终端及存储介质，用于训练、利用图像相似度度量模型，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；在模型训练方法中，训练图像对输入一对图像处理神经网络以得到一对训练特征向量，由相似度比较模块比较一对特征向量来得到估计相似结果，估计相似结果及真实相似结果间的损失用于调整模型的参数；若根据对模型输入测试图像数据得到的一或多次测试结果未到达预设条件的情形下重复之前步骤直至完成训练；本申请实现区别于传统图像相似度算法的新颖结构模型，通过一对图像处理神经网络对训练样本进行特征表示并进行相似度度量的联合学习，提升度量准确率及计算效率。

技术领域

本申请涉及图像处理技术领域，特别是涉及模型训练方法、图像相似度度量方法、终端 及存储介质。

背景技术

图像相似度的计算广泛应用于图像匹配、图像检索等领域。传统图像相似度计算方法基 于图像处理方法对特征的提取，并采用余弦相似度等度量方法计算特征向量相似度，存在扩 展性差、耗时较长、度量不精确等缺点。

因此，如何实现高效准确的图像相似度计算方案，已成为业界亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本申请的主要目的在于提供模型训练方法、图像相似度 度量方法、终端及存储介质，以解决现有技术中图像相似度的计算存在的种种缺点的问题。

为实现上述目的及其它相关目的，本申请第一方面提供一种模型训练方法，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。

在本申请第一方面的一些实施例中，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。

在本申请第一方面的一些实施例中，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。

在本申请第一方面的一些实施例中，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。

在本申请第一方面的一些实施例中，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。

在本申请第一方面的一些实施例中，所述损失函数包括：交叉熵损失函数