【技术实现步骤摘要】
特征提取模型训练方法、装置及存储介质
本专利技术实施例涉及视频处理
，特别涉及一种特征提取模型训练方法、装置及存储介质。
技术介绍
随着互联网技术的快速发展和互联网视频的蓬勃兴起，视频识别在视频推荐、版权检测、目标跟踪、视频监控等多种领域得到了广泛应用。而提取视频特征是进行视频识别的关键步骤，为了提高视频特征的准确率，通常可以先训练特征提取模型，基于特征提取模型来提取视频特征。在训练特征提取模型的阶段，获取至少一个样本视频中的多个图像，对该多个图像进行增强处理，如图像缩放、平移等，将处理后的多个图像确定为样本图像，根据确定的多个样本图像进行训练，即可得到特征提取模型。在进行视频识别的阶段，针对待识别的目标视频，选取目标视频中的多个图像，将多个图像输入至已训练的特征提取模型中，基于该特征提取模型即可获取到目标视频的视频特征。上述方案在选取样本图像时，并未考虑到视频数据在时间维度上的变化情况，导致特征提取模型在时间维度上的抗噪性能较差，影响了提取到的视频特征的准确性。
技术实现思路
本专利技术实施例提供了一种特征提取模型训练方法、装置及存储介质，可以解决相关技术中的...
【技术保护点】
1.一种特征提取模型训练方法，其特征在于，所述方法包括：对于至少一个样本视频中的每个样本视频，对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，所述至少两个图像用于描述所述对象在时间维度上的变化情况；将所述包含同一对象的至少两个图像确定为样本图像；根据确定的样本图像进行训练，得到特征提取模型，所述特征提取模型用于提取视频的视频特征。
【技术特征摘要】
1.一种特征提取模型训练方法，其特征在于，所述方法包括：对于至少一个样本视频中的每个样本视频，对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，所述至少两个图像用于描述所述对象在时间维度上的变化情况；将所述包含同一对象的至少两个图像确定为样本图像；根据确定的样本图像进行训练，得到特征提取模型，所述特征提取模型用于提取视频的视频特征。2.根据权利要求1所述的方法，其特征在于，所述对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，包括：对所述样本视频中的第一图像进行检测，确定所述第一图像中包含的第一对象；在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的第二图像。3.根据权利要求2所述的方法，其特征在于，所述在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的第二图像，包括：在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的多个其他图像；从所述多个其他图像中，选取与所述第一图像之间的距离大于预设距离的图像，两个图像之间的距离是指所述两个图像之间间隔的图像数量，或者，从所述多个其他图像中，选取最后一个图像，得到包含所述第一对象的第二图像。4.根据权利要求1所述的方法，其特征在于，所述根据确定的样本图像进行训练，得到特征提取模型，包括：根据所述确定的样本图像和预设损失函数进行训练，得到所述特征提取模型，以使所述特征提取模型满足所述预设损失函数最小的目标；其中，所述预设损失函数至少包括如下信息熵损失函数：Lb表示所述信息熵损失函数，u表示所述确定的样本图像的样本特征均值。5.根据权利要求4所述的方法，其特征在于，所述预设损失函数还包括距离损失函数和量化损失函数；所述距离损失函数如下：Lt＝max{(xa-xp)+m-(xa-xn),0}；所述量化损失函数如下：其中，Lt表示所述距离损失函数，xa表示任一指定样本图像的样本特征，xp表示与所述指定样本图像标签相同的样本图像的样本特征，xn表示与所述指定样本图像标签不同的样本图像的样本特征，m表示间隔常数，m大于0；Lq表示所述距离损失函数，x表示任一样本图像的样本特征中的任一数值，x大于0。6.根据权利要求1所述的方法，其特征在于，所述根据确定的样本图像进行训练，得到特征提取模型之后，所述方法还包括：获取目标视频中的至少一个图像；基于所述特征提取模型，对所述至少一个图像进行特征提取，得到所述目标视频的视频特征。7.根据权利要求6所述的方法，其特征在于，所述基于所述特征提取模型，对所述至少一个图像进行特征提取，得到所述视频的视频特征之后，所述方法还包括：将所述视频特征与所述目标视频的视频信息对应存储于数据库中；或者，在所述数据库中查询与所述视频特征对应的视频信息，所述数据库用于对应存储每个视频的视频特征与视频信息。8.一种特征提取模型训练装置，其特征在于，所述装置包括：图像获取模块，用于对...
【专利技术属性】
技术研发人员：龚国平，徐敘遠，吴韬，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。