网络模型的训练方法及装置、图像处理方法及存储介质制造方法及图纸

本申请涉及人工智能技术领域，提供一种网络模型的训练方法及装置、图像处理方法及存储介质。其中，网络模型的训练方法包括：将训练图像输入至主干网络进行特征提取，获得训练图像的特征图；将特征图输入至第一分支网络进行处理，获得训练图像的全局特征，以及，将特征图输入至第二分支网络进行处理，获得训练图像的局部特征；联合训练图像的全局特征以及局部特征形成训练图像的特征；基于训练图像的特征计算损失，并根据损失计算结果更新主干网络的参数。上述方法由于同时利用了训练图像的全局特征以及局部特征训练主干网络，从而训练好的主干网络可以视为同时学习了训练图像的全局特征和局部特征，因此其执行图像处理任务可以获得较好的结果。

Training method and device of network model, image processing method and storage medium

【技术实现步骤摘要】
网络模型的训练方法及装置、图像处理方法及存储介质
本专利技术涉及人工智能
，具体而言，涉及一种网络模型的训练方法及装置、图像处理方法及存储介质。
技术介绍
商品细分类可以指基于商品的图像来区分外观相似、仅存在细节不同的商品的方法。在现有技术中，通常先使用训练好的网络模型(如神经网络模型)从图像中提取商品特征，然后基于提取出的特征进行商品分类。然而，现有的网络模型通常被训练为只能提取商品的全局特征，但外观相似的商品其差异恰恰在局部细节，因此导致利用提取出的全局特征进行商品细分类效果不佳。
技术实现思路
本申请实施例的目的在于提供一种网络模型的训练方法及装置、图像处理方法及存储介质，以改善上述技术问题。为实现上述目的，本申请提供如下技术方案：第一方面，本申请实施例提供一种网络模型的训练方法，包括：将训练图像输入至主干网络进行特征提取，获得所述训练图像的特征图，所述主干网络为神经网络；将所述训练图像的特征图输入至第一分支网络进行处理，获得所述训练图像的全局特征，以及，将所述训练图像的特征图输入至第二分支网络进本文档来自技高网...

【技术保护点】
1.一种网络模型的训练方法，其特征在于，包括：/n将训练图像输入至主干网络进行特征提取，获得所述训练图像的特征图，所述主干网络为神经网络；/n将所述训练图像的特征图输入至第一分支网络进行处理，获得所述训练图像的全局特征，以及，将所述训练图像的特征图输入至第二分支网络进行处理，获得所述训练图像的局部特征；/n联合所述训练图像的全局特征以及局部特征形成所述训练图像的特征；/n基于所述训练图像的特征计算损失，并根据损失计算结果更新所述主干网络的参数。/n

【技术特征摘要】
1.一种网络模型的训练方法，其特征在于，包括：
将训练图像输入至主干网络进行特征提取，获得所述训练图像的特征图，所述主干网络为神经网络；
将所述训练图像的特征图输入至第一分支网络进行处理，获得所述训练图像的全局特征，以及，将所述训练图像的特征图输入至第二分支网络进行处理，获得所述训练图像的局部特征；
联合所述训练图像的全局特征以及局部特征形成所述训练图像的特征；
基于所述训练图像的特征计算损失，并根据损失计算结果更新所述主干网络的参数。


2.根据权利要求1所述的网络模型的训练方法，其特征在于，所述将所述训练图像的特征图输入至所述第一分支网络进行处理，获得所述训练图像的全局特征，包括：
利用所述第一分支网络对所述训练图像的特征图进行池化以及特征嵌入，获得所述训练图像的全局特征。


3.根据权利要求1所述的网络模型的训练方法，其特征在于，所述将所述训练图像的特征图输入至所述第二分支网络进行处理，获得所述训练图像的局部特征，包括：
确定所述训练图像的特征图中的遮挡区域，对所述遮挡区域内的像素进行擦除或者模糊处理；
对处理后的所述训练图像的特征图进行池化以及特征嵌入，获得所述训练图像的局部特征。


4.根据权利要求3所述的网络模型的训练方法，其特征在于，所述遮挡区域的面积大于预设阈值，和/或，所述遮挡区域在所述训练图像的特征图中的位置随机选取，和/或，所述遮挡区域为连续区域。


5.根据权利要求3所述的网络模型的训练方法，其特征在于，所述训练图像为一批图像，所述训练图像的特征图为一批尺寸相同的特征图，且各张特征图上的所述遮挡区域的位置和尺寸均相同。


6.根据权利要求1-5中任一项所述的网络模型的训练方法，其特征在于，...

【专利技术属性】
技术研发人员：秦永强，李素莹，敖川，刘金露，
申请(专利权)人：创新奇智上海科技有限公司，
类型：发明
国别省市：上海;31