[发明专利]特征提取模型训练、样本检索方法、装置和计算机设备

说明书

本申请涉及一种特征提取模型训练、样本检索方法、装置、计算机设备和存储介质。所述方法包括：将第一样本组中的各个样本输入初始特征提取模型，得到初始分类特征、初始语义特征和初始融合特征；第一样本组包括目标样本、对应的参考样本和样本的类别标签，初始特征提取模型包括样本分类网络、非语义特征提取网络和特征融合网络；基于同一样本对应的初始分类特征和类别标签得到分类损失；基于目标样本和参考样本对应的其他特征得到特征损失；基于特征损失和分类损失调整初始特征提取模型的模型参数，直至满足收敛条件，得到用于提取输入样本的样本特征的目标特征提取模型，样本特征用于进行样本检索。采用本方法能够提高模型的训练效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种特征提取模型训练、样本检索方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，出现了检索技术，例如，图像检索技术。检索技术是通过提取查询样本的特征，基于查询样本的特征与样本检索库中存储的样本特征进行匹配，从而在样本检索库中检索到与查询样本较为相似的样本。

传统技术中，通常是将样本输入模型进行特征提取，一个模型用于提取一种特征，这样，针对不同的特征需要分别训练不同的模型，训练耗时。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高训练效率的特征提取模型训练、样本检索方法、装置、计算机设备和存储介质。

一种特征提取模型训练方法，所述方法包括：

获取第一样本组，将所述第一样本组中的各个样本输入初始特征提取模型；所述第一样本组包括目标样本、所述目标样本对应的参考样本和各个样本对应的类别标签，所述初始特征提取模型包括样本分类网络、非语义特征提取网络和特征融合网络；

通过所述样本分类网络输出初始分类特征和初始语义特征，通过所述非语义特征提取网络输出初始非语义特征；

通过所述特征融合网络，对同一样本的初始语义特征和初始非语义特征进行融合，得到各个样本分别对应的初始融合特征；

基于所述目标样本和参考样本对应的初始语义特征、初始非语义特征和初始融合特征计算损失，得到特征损失；

基于同一样本对应的初始分类特征和类别标签计算损失，得到分类损失；

基于所述特征损失和分类损失，调整所述初始特征提取模型的模型参数，直至满足收敛条件，得到目标特征提取模型；所述目标特征提取模型用于提取输入样本的样本特征，所述样本特征用于进行样本检索。

在一个实施例中，初始语义特征、初始非语义特征和初始融合特征对应的特征尺寸相同。

一种特征提取模型训练装置，所述装置包括：

第一样本组处理模块，用于获取第一样本组，将所述第一样本组中的各个样本输入初始特征提取模型；所述第一样本组包括目标样本、所述目标样本对应的参考样本和各个样本对应的类别标签，所述初始特征提取模型包括样本分类网络、非语义特征提取网络和特征融合网络；

特征输出模块，用于通过所述样本分类网络输出初始分类特征和初始语义特征，通过所述非语义特征提取网络输出初始非语义特征；

特征融合模块，用于通过所述特征融合网络，对同一样本的初始语义特征和初始非语义特征进行融合，得到各个样本分别对应的初始融合特征；

特征损失确定模块，用于基于所述目标样本和参考样本对应的初始语义特征、初始非语义特征和初始融合特征计算损失，得到特征损失；

分类损失确定模块，用于基于同一样本对应的初始分类特征和类别标签计算损失，得到分类损失；