图片特征提取方法、装置、计算机设备和可读存储介质制造方法及图纸

本申请涉及一种图片特征提取方法、装置、计算机设备和可读存储介质，该方法包括：获取输入图片的扩增图片集，该扩增图片集包括对输入图片进行不同角度旋转所得到的多个旋转图片；将扩增图片集输入预设的深度度量网络进行特征提取，得到每个旋转图片对应的图片特征；其中，深度度量网络为根据样本扩增图片集、以及样本扩增图片集中每个样本旋转图片对应的标签进行训练所得到的，同一样本图片所对应的样本旋转图片的标签不同；根据每个旋转图片对应的图片特征，确定输入图片的图片特征。该方法可大大提高得到的图片特征的准确性。

【技术实现步骤摘要】
图片特征提取方法、装置、计算机设备和可读存储介质
本申请涉及图像处理
，特别是涉及一种图片特征提取方法、装置、计算机设备和可读存储介质。
技术介绍
深度度量学习(deepmetriclearning)是度量学习的一种方法，它的目标是学习一个从原始特征到低维稠密的向量空间(称之为嵌入空间，embeddingspace)的映射(可以理解为特征提取过程)，使得同类对象在嵌入空间中的距离(度量)比较近，而不同类对象的距离则比较远。在深度度量网络训练过程中，通常需要大量的样本图片，传统技术会对已获得的样本图片进行旋转以实现数据扩增，然后将原始样本图片和旋转后的图片、以及原始样本图片对应的标签作为训练数据集，对深度度量网络进行训练；并采用训练完成的深度度量网络对输入图片进行特征提取。但是，传统技术中所得到的深度度量网络鲁棒性较差，所提取的图片特征准确性较低。
技术实现思路
基于此，有必要针对传统技术的深度度量网络所提取的图片特征准确性较低的问题，提供一种图片特征提取方法、装置、计算机设备和可读存储介质。一种本文档来自技高网...

【技术保护点】
1.一种图片特征提取方法，其特征在于，所述方法包括：/n获取输入图片的扩增图片集，所述扩增图片集包括对所述输入图片进行不同角度旋转所得到的多个旋转图片；/n将所述扩增图片集输入预设的深度度量网络进行特征提取，得到每个旋转图片对应的图片特征；其中，所述深度度量网络为根据样本扩增图片集、以及所述样本扩增图片集中每个样本旋转图片对应的标签进行训练所得到的，同一样本图片所对应的样本旋转图片的标签不同；/n根据所述每个旋转图片对应的图片特征，确定所述输入图片的图片特征。/n

【技术特征摘要】
1.一种图片特征提取方法，其特征在于，所述方法包括：
获取输入图片的扩增图片集，所述扩增图片集包括对所述输入图片进行不同角度旋转所得到的多个旋转图片；
将所述扩增图片集输入预设的深度度量网络进行特征提取，得到每个旋转图片对应的图片特征；其中，所述深度度量网络为根据样本扩增图片集、以及所述样本扩增图片集中每个样本旋转图片对应的标签进行训练所得到的，同一样本图片所对应的样本旋转图片的标签不同；
根据所述每个旋转图片对应的图片特征，确定所述输入图片的图片特征。


2.根据权利要求1所述的方法，其特征在于，所述深度度量网络的训练方式包括：
针对每个样本图片，对所述样本图片进行不同角度的旋转操作，得到多个样本旋转图片，并获取所述多个样本旋转图片分别对应的标签；
将所述样本旋转图片输入初始深度度量网络进行特征提取，得到预测图片特征；
采用损失函数计算所述预测图片特征与所述样本旋转图片对应的标签之间的损失，根据所述损失调整所述初始深度度量网络的网络参数，得到所述深度度量网络。


3.根据权利要求2所述的方法，其特征在于，所述初始深度度量网络包括多个初始子网络，所述多个初始子网络的网络结构相同；所述将所述样本旋转图片输入初始深度度量网络进行特征提取，得到预测图片特征，包括：
将具有相同旋转角度的样本旋转图片输入相同的初始子网络进行特征提取，得到每个样本旋转图片对应的预测图片特征。


4.根据权利要求3所述的方法，其特征在于，所述采用损失函数计算所述预测图片特征与所述样本旋转图片对应的标签之间的损失，根据所述损失调整所述初始深度度量网络的网络参数，得到所述深度度量网络，包括：
针对每个初始子网络，采用所述损失函数计算所输入的样本旋转图片的预测图片特征与标签之间的子损失；
将每个初始子网络...

【专利技术属性】
技术研发人员：陈志远，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31