[发明专利]深度学习模型的建立方法、数据处理方法及装置

权利要求书

1.一种深度学习模型的建立方法，其特征在于，所述方法包括：

确定第一样本数据和第二样本数据，所述第一样本数据和所述第二样本数据是由同一原始样本数据经过数据增广处理后得到的，所述第一样本数据和所述第二样本数据之间的特征差异值小于预设特征差异值；

在将所述第一样本数据输入初始深度学习模型之后，得到所述初始深度学习模型输出的第一特征向量；

在将所述第二样本数据输入所述初始深度学习模型，分别提取所述第二样本数据的多张特征图，并对所述多张特征图中的任一特征图的尺寸进行修改之后，得到所述初始深度学习模型输出的第二特征向量；

根据所述第一特征向量、所述第二特征向量和预设的损失函数训练所述初始深度学习模型，得到目标深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述多张特征图中的任一特征图的尺寸进行修改的步骤，包括：

将所述多张特征图中的任一特征图确定为目标特征图，并将所述目标特征图的尺寸缩小。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标特征图的尺寸缩小的步骤，包括：

确定预设值，所述预设值包括数值范围大于0，小于1内的任意一个数值；

将所述目标特征图的长和宽分别乘以所述预设值，得到修改后的目标特征图。

4.根据权利要求3所述的方法，其特征在于，所述数值范围包括0.5至0.75。

5.根据权利要求2至4中任一项所述的方法，其特征在于，所述初始深度学习模型中包括多层依次连接的卷积层，其中，上一层卷积层输出的特征图作为下一层卷积层的输入，所述目标特征图为目标卷积层输出的特征图，所述目标卷积层为所述多层依次连接的卷积层中的任意一层。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述在将所述第二样本数据输入所述初始深度学习模型，分别提取所述第二样本数据的多张特征图，并对所述多张特征图中的任一特征图的尺寸进行修改之后，得到所述初始深度学习模型输出的第二特征向量的步骤，包括：

将所述第二样本数据输入所述初始深度学习模型，分别提取所述第二样本数据的多张特征图，并对所述多张特征图中的任一特征图的尺寸进行修改；

由所述初始深度学习模型中的全局池化层对修改后的特征图进行全局池化操作，将所述修改后的特征图全局池化为一维数据；

所述初始深度学习模型根据所述一维数据输出所述第二特征向量，所述第二特征向量与所述第一特征向量具有相同的长度。

7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述原始样本数据为原始样本图片的情况下，所述数据增广处理包括：随机裁剪所述原始样本图片、随机扰动所述原始样本图片的亮度、对比度和饱和度中的任意一种或多种。

8.根据权利要求1至4中任一项所述的方法，其特征在于，在包含多个第一样本数据和多个第二样本数据的情况下，由所述同一原始样本数据经过所述数据增广处理后得到的第一样本数据和第二样本数据一一对应，对应的第一样本数据和第二样本数据具有相同的数据标识；

所述损失函数根据以下公式确定：

其中，N为所述第一样本数据或所述第二样本数据的个数；

为目标第一特征向量和目标第二特征向量之间的余弦距离，所述目标第一特征向量为第i个第一样本数据确定的第一特征向量，所述目标第二特征向量为与所述第i个第一样本数据具有相同数据标识的第二样本数据确定的第二特征向量；

为所述目标第一特征向量和除所述目标第二特征向量之外的第j个第二特征向量之间的余弦距离，1≤j≤N-1；

t为预设经验值。

9.一种数据处理方法，其特征在于，所述方法包括：

获取待处理图像；

将所述待处理图像输入深度学习模型进行处理，输出针对所述待处理图像的处理结果；

其中，所述深度学习模型是根据权利要求1至8中任一项深度学习模型的建立方法所得到的。