[发明专利]对齐模型的训练方法、装置、计算机设备以及存储介质

说明书

本申请涉及一种对齐模型的训练方法、装置、计算机设备和存储介质。所述方法包括：通过多个类别的样本图片按类别输入至基准特征提取模型中，以及将样本图片分别输入至待使用的特征提取模型中，得到多个类中心以及特征，通过类中心计算损失值，继而更新待使用的特征提取模型的网络参数，可以将模型对齐的方式从一对一的特征对齐，更新为类与类的对齐，扩大了对齐模型的适用范围，增强了对齐模型的使用灵活性，并且还可以在保证特征提取精度的前提下，提高新模型的识别性能，降低训练以及识别的计算量。

技术领域

本申请涉及计算机技术领域，特别是涉及一种对齐模型的训练方法、装置、计算机设备和存储介质。

背景技术

在人脸识别领域、行人重识别领域以及以图搜图领域，常用的工具为视觉搜索系统，上述系统的工作机制为：系统中的特征提取模型将每张图片映射到一个特征向量。当有一张待搜索的图片时，模型将图片的特征向量和历史库中的图片特征向量进行比对，从而得到搜索结果。随着技术发展，系统中的特征提取模型也需要不断进行更新。由于不同特征提取模型的输出特征差别很大，因此需要将新老特征提取模型输出的特征进行对齐。

相关技术中，通常采用对新的特征提取模型进行重复大量的训练的方式，使得针对同一图像，新的特征提取模型识别出的特征与原来使用的特征提取模型的输出向量完全一致，以便进行正常的图像匹配。但是，基于上述方式，特征提取模型的适用范围较小，灵活性较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够通用的、灵活性较好的对齐模型的训练方法、装置、计算机设备和存储介质。

一种对齐模型的训练方法，所述方法包括：

获取训练数据，所述训练数据包括多个类别的样本图片；

将所述样本图片按类别分别输入至基准特征提取模型，得到每个类别对应的基准提取结果，所述基准提取结果包括第一类中心以及多个第一特征；

将所述样本图片分别输出至待使用的特征提取模型，得到每个所述样本图片对应的预测提取结果，所述训练结果包括多个第二类中心以及多个第二特征；

根据所述第一类中心、第一特征、第二类中心以及第二特征，确定损失值；

根据所述损失值更新所述待使用的特征提取模型的网络参数，并返回执行所述获取训练数据，所述训练数据包括多个类别的样本图片的步骤，直到所述损失值满足预设训练完成条件，得到训练完成的特征提取模型。

在其中一个实施例中，还包括：通过第一转换器对所述第一类中心以及所述第一特征进行对齐转换，得到第三类中心以及第三特征；

通过第二转换器对所述第二类中心以及所述第二特征进行对齐转换，得到第四类中心以及第四特征。

在其中一个实施例中，所述根据所述第一类中心、第一特征、第二类中心以及第二特征，确定损失值，包括：

根据所述第一类中心、所述第二类中心、所述第三类中心以及所述第四类中心，计算对齐损失值；根据所述样本图片中的第四特征、第一类中心以及预设夹角阈值，计算边界损失值；根据所述对齐损失值、边界损失值以及预设分类损失值，计算损失值。

在其中一个实施例中，所述根据所述对齐损失值、边界损失值以及预设分类损失值，计算损失值，包括：

根据所述对齐损失值对应的第一权重、所述对齐损失值、所述边界损失值对应的第二权重、所述边界损失值以及预设分类损失值，计算损失值。

在其中一个实施例中，通过以下公式，计算所述对齐损失值：