[发明专利]神经网络模型的训练方法及图像检索方法

说明书

本发明公开了神经网络模型的训练方法及图像检索方法，涉及图像处理技术领域。训练方法包括：基于semi‑hard负例策略选择query图像的正例图像和负例图像，构成三元组；将三元组的图像输入到神经网络模型中，对图像进行不同深度卷积层的特征提取，结合注意力网络从得到的特征图中提取感兴趣区域的局部特征；对得到的局部特征进行聚合，得到全局特征；根据全局特征对比损失函数，并通过反向传播算法更新神经网络模型的权重，直到达到预设的训练停止条件，完成训练。本发明可以有效的降低训练的复杂度，加快训练速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种用于图像检索的神经网络模型训练方法、一种基于神经网络模型的图像检索方法、一种存储介质及一种图像处理装置。

背景技术

目前的图像检索方法，通常是通过神经网络对全局特征进行学习，识别结果的准确率较低，难以对局部特征进行识别。而如果需要对局部特征进行识别，就需要针对每个局部特征单独进行标注，再训练神经网络模型，标注浪费时间较长，导致训练的速度很慢。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种用于图像检索的神经网络模型训练方法、一种基于神经网络模型的图像检索方法、一种存储介质及一种图像处理装置。

本发明解决上述技术问题的技术方案如下：

一种用于图像检索的神经网络模型训练方法，包括：

获取用于训练的query图像；

基于semi-hard负例策略选择所述query图像的正例图像和负例图像，构成包含query图像、正例图像和负例图像的三元组；

将所述三元组的图像输入到神经网络模型中，对所述图像进行不同深度卷积层的特征提取，结合注意力网络从得到的特征图中提取感兴趣区域的局部特征；

对得到的局部特征进行聚合，得到全局特征；

根据所述全局特征对比损失函数，并通过反向传播算法更新所述神经网络模型的权重，直到达到预设的训练停止条件，完成训练。

本发明的有益效果是：本发明提供的神经网络模型训练方法，通过使用包含query图像、正例图像和负例图像的三元组图像作为训练集，通过提取感兴趣区域，将感兴趣区域的局部特征聚合的方式，可以使全局特征反应出局部特征的代表性，从而使训练数据的标注更加方便，每张图只需要打一个是否为正例的标签即可，不需要对每个局部区域单独进行标注，可以有效的降低训练的复杂度，加快训练速度。

本发明解决上述技术问题的另一种技术方案如下：

一种基于神经网络模型的图像检索方法，包括：

获取待检索图像；

将所述待检索图像输入到使用如上述技术方案所述的用于图像检索的神经网络模型训练方法中训练得到的神经网络模型中，得到所述待检索图像的局部特征；

根据所述局部特征计算所述待检索图像与预设图像数据库中图像的相似度；

根据所述相似度确定与所述待检索图像最相似的图像。

本发明的有益效果是：本发明提供的图像检索方法，通过使用上述技术方案中训练后的神经网络模型对检索图片进行识别，能够提高检索速度和检索精度。

本发明解决上述技术问题的另一种技术方案如下：

一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述技术方案所述的用于图像检索的神经网络模型训练方法，和/或使所述计算机执行如上述技术方案所述的基于神经网络模型的图像检索方法。

本发明解决上述技术问题的另一种技术方案如下：