[发明专利]模型训练方法、图像特征提取方法、系统、设备及介质

权利要求书

1.一种模型训练方法，其特征在于，所述模型训练方法包括：

获取历史训练样本数据集，所述历史训练样本数据集包括历史图像分类标签数据，所述历史图像分类标签数据与所述历史图像的哈希特征对应；

基于所述历史训练样本数据集训练神经网络模型，以得到图像特征提取模型。

2.如权利要求1所述的模型训练方法，其特征在于，所述模型训练方法还包括：

获取哈希类中心三元组损失函数、交叉熵损失函数以及量化损失函数；

根据所述哈希类中心三元组损失函数、所述交叉熵损失函数以及所述量化损失函数计算得到多损失联合优化函数；

基于所述多损失联合优化函数优化所述图像特征提取模型。

3.如权利要求2所述的模型训练方法，其特征在于，所述获取哈希类中心三元组损失函数、交叉熵损失函数以及量化损失函数的步骤包括：

提取历史图像分类标签数据中的图像深度嵌入特征以及图像类特征；

将所述图像深度嵌入特征映射为预设维度连续特征向量；

根据所述预设维度连续特征向量计算得到所述交叉熵损失函数和所述历史图像的哈希特征；

基于所述预设维度连续特征向量和所述图像类特征计算得到哈希类中心三元组损失函数；

基于所述预设维度连续特征向量和所述历史图像的哈希特征计算得到量化损失函数。

4.一种模型训练系统，其特征在于，所述模型训练系统包括：

第一获取模块，用于获取历史训练样本数据集，所述历史训练样本数据集包括历史图像分类标签数据，所述历史图像分类标签数据与所述历史图像的哈希特征对应；

训练模块，用于基于所述历史训练样本数据集训练神经网络模型，以得到图像特征提取模型。

5.如权利要求4所述的模型训练系统，其特征在于，所述模型训练系统还包括：

第二获取模块，用于获取哈希类中心三元组损失函数、交叉熵损失函数以及量化损失函数；

第一计算模块，用于根据所述哈希类中心三元组损失函数、所述交叉熵损失函数以及所述量化损失函数计算得到多损失联合优化函数；

优化模块，用于基于所述多损失联合优化函数优化所述图像特征提取模型。

6.如权利要求5所述的模型训练系统，其特征在于，所述第二获取模块包括：

提取单元，用于提取历史图像分类标签数据中的图像深度嵌入特征以及图像类特征；

映射单元，用于将所述图像深度嵌入特征映射为预设维度连续特征向量；

第一计算单元，用于根据所述预设维度连续特征向量计算得到所述交叉熵损失函数和所述历史图像的哈希特征；

第二计算单元，用于基于所述预设维度连续特征向量和所述图像类特征计算得到哈希类中心三元组损失函数；

第三计算单元，用于基于所述预设维度连续特征向量和所述历史图像的哈希特征计算得到量化损失函数。

7.一种图像特征提取方法，其特征在于，所述图像特征提取方法包括：

获取目标图像；

将所述目标图像输入图像特征提取模型，以得到所述目标图像的哈希特征；

其中，所述图像特征提取模型利用上述权利要求1-3中任一项所述的模型训练方法训练得到。

8.一种图像特征提取系统，其特征在于，所述图像特征提取系统包括：

目标图像获取模块，用于获取目标图像；

输入模块，用于将所述目标图像输入图像特征提取模型，以得到所述目标图像的哈希特征；

其中，所述图像特征提取模型利用上述权利要求4-6中任一项所述的模型训练系统训练得到。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的模型训练方法，或执行如权利要求7所述的图像特征提取方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的模型训练方法，或执行如权利要求7所述的图像特征提取方法。