[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

说明书

本发明公开了一种模型训练方法、图像特征提取方法、系统、设备及介质，该模型训练方法包括：获取历史训练样本数据集，该历史训练样本数据集包括历史图像分类标签数据，该历史图像分类标签数据与历史图像的哈希特征对应；基于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。本发明通过获取与历史图像的哈希特征对应的历史图像分类标签数据的历史训练样本数据集，基于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，以便利用图像特征提取模型提取图像的哈希特征，节约了图像特征的占用空间，加快了图像特征提取模型提取图像哈希特征的速度。

技术领域

本发明涉及图像处理技术领域，特别涉及一种模型训练方法、图像特征提取方法、系统、设备及介质。

背景技术

现有技术中传统的神经网络提取的图像深度特征是高维浮点型特征，在提取的过程中未考虑带有噪声标签的困难样本对模型训练以及类中心更新的干扰；并且高维浮点型特征在实际应用中颇有弊病，即高维浮点型特征不仅大量消耗内存不利于存储，而且在模型推理时计算速度更慢。

发明内容

本发明要解决的技术问题是为了克服现有技术中采用传统的神经网络提取到的图像高维浮点型特征存在不仅大量消耗内存不利于存储，而且在模型推理时计算速度更慢的缺陷，提供一种模型训练方法、图像特征提取方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明第一方面提供了一种模型训练方法，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。

较佳地，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。

较佳地，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。

本发明第二方面提供了一种模型训练系统，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。

较佳地，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；