【技术实现步骤摘要】
图像局部特征的训练方法、装置及存储介质
本申请涉及计算机视觉和深度学习技术等人工智能领域，尤其涉及一种图像局部特征的训练方法、装置及存储介质。
技术介绍
图像的局部特征由于数量丰富、特征间相关度小，且不容易受到遮挡、光照等噪声的影响，因此在很多场景下具有不可替代的作用，尤其在图像的相似性搜索等领域具有广泛的应用。目前的图像的局部特征的获取方法，首先需要通过第一个模型进行局部特征的初步提取，例如卷积神经网络(ConvolutionalNeuralNetworks，简称CNN)，然后通过第二个模型进行哈希处理得到最终的局部特征。其中，第一个模型和第二个模型为两个独立的模型，需要分别进行训练。在第一个模型训练完成之后，根据第一个模型的输出结果，进行第二个模型的训练。这种训练方式，由于涉及两个独立的模型，且第二个模型的训练结果依赖于第一个模型的训练结果的好坏，容易产生较大的中间环节误差。
技术实现思路
本申请提供了一种图像局部特征的训练方法、装置及存储介质。根据本申请的第一方面，提供了一种...
【技术保护点】
1.一种图像局部特征的训练方法，包括：/n获取训练样本，所述训练样本中包括样本图像，和所述样本图像标注的局部哈希特征；/n根据图像特征提取模型对所述训练样本中的样本图像处理，得到样本局部哈希特征；/n根据所述样本局部哈希特征和所述标注的局部哈希特征，对所述图像特征提取模型的参数进行调整，直至所述样本局部哈希特征和所述标注的局部哈希特征之间的误差小于或等于预设误差时，得到训练完成的图像特征提取模型。/n
【技术特征摘要】
1.一种图像局部特征的训练方法，包括：
获取训练样本，所述训练样本中包括样本图像，和所述样本图像标注的局部哈希特征；
根据图像特征提取模型对所述训练样本中的样本图像处理，得到样本局部哈希特征；
根据所述样本局部哈希特征和所述标注的局部哈希特征，对所述图像特征提取模型的参数进行调整，直至所述样本局部哈希特征和所述标注的局部哈希特征之间的误差小于或等于预设误差时，得到训练完成的图像特征提取模型。
2.根据权利要求1所述的方法，其中，所述图像特征提取模型包括特征点提取模块和卷积神经网络模块；根据图像特征提取模型对所述训练样本中的样本图像处理，得到样本局部哈希特征，包括：
根据所述特征点提取模块对所述样本图像进行处理，确定所述样本图像中的样本特征点；
通过所述卷积神经网络模块对所述样本图像中的样本特征点进行处理，得到所述样本局部哈希特征。
3.根据权利要求2所述的方法，其中，根据所述特征点提取模块对所述样本图像进行处理，确定所述样本图像中的样本特征点，包括：
通过所述特征点提取模块对所述样本图像进行尺度不变特征SIFT变换，确定所述样本图像中的样本特征点。
4.根据权利要求2或3所述的方法，其中，通过所述卷积神经网络模块对所述样本图像中的样本特征点进行处理，得到所述样本局部哈希特征，包括：
针对所述样本图像中的任意样本特征点，根据所述样本特征点，在所述样本图像上确定对应的样本子图像；
通过所述卷积神经网络模块对每个样本特征点对应的样本子图像进行处理，得到每个样本特征点对应的样本局部哈希特征。
5.根据权利要求4所述的方法，其中，根据所述样本局部哈希特征和所述标注的局部哈希特征，对所述图像特征提取模块的参数进行调整，包括：
确定每个样本子图像的样本局部哈希特征和标注的局部哈希特征之间的误差；
根据所述误差对所述卷积神经网络模块的参数进行调整。
6.根据权利要求5所述的方法，其中，确定每个样本子图像的样本局部哈希特征和标注的局部哈希特征之间的误差，包括：
根据每个样本子图像的样本局部哈希特征和标注的局部哈希特征，获取对应的第一损失值；
对所述第一损失值进行哈希处理，得到位于预设区间的第二损失值；
根据所述第一损失值和所述第二损失值，得到所述误差。
7.根据权利要求1-6任一项所述的方法，其中，所述方法还包括：
获取第一图像，并根据所述图像特征提取模型对所述第一图像处理，得到所述第一图像的局部哈希特征；
根据所述第一图像的局部哈希特征，在预设图像库中确定所述第一图像的相似图像。
8.一种图像局部特征的训练装置，包括：
获取模块，用于获取训练样本，所述训练样本中包括样本图像，和所述样本图像标注的局部哈希特征；
处理模块，用于根据图像特征提取模型对所述训练样本中的样本图像处理，得到样本局部哈希特征；
训练模...
【专利技术属性】
技术研发人员：杨敏，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11
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。