【技术实现步骤摘要】
一种图像特征提取方法、装置、设备和存储介质
[0001]本申请涉及计算机技术，尤其涉及深度学习
技术介绍
[0002]随着成像技术的不断发展，出现了多种模态的图像，例如可见光图像、近红外图像和深度图像等。在处理图像的过程中，需要采用深度学习模型对图像进行特征提取，再基于提取的特征进行目标识别。
[0003]目前，由于近红外图像和深度图像的训练数据集较少，导致这些模态图像的模型训练较为困难，精度较低。而可见光图像较易获取，训练数据集较丰富，从而较易得到高精度的模型。目前，一般采用以下两种方法对近红外图像和深度图像进行特征提取，其一是先训练好基于可见光图像的特征提取模型，然后将该模型向其他模态迁移，从而采用迁移后的模型进行特征提取；其二是先把近红外图像和深度图像转化为可见光图像，然后采用基于可见光图像的模型进行特征提取。
[0004]上述第一种方法中，由于不同模态图像之间具有本质的差别，导致迁移后的网络的提取效果很局限，难以提高；第二种方法需要对图像进行模态转换，增加了耗时，难以在实际产品中落地。
【技术保护点】
【技术特征摘要】
1.一种图像特征提取方法，其特征在于，包括：获取包含目标对象的单通道图像；采用特征提取网络，对所述单通道图像中的目标对象进行特征提取；其中，所述提取的特征包括所述目标对象的第一独有特征和第一通用特征，所述第一通用特征与可见光图像中所述目标对象的第二通用特征相匹配，所述第二通用特征采用所述特征提取网络提取得到，且与所述第一通用特征的通道相同。2.根据权利要求1所述的方法，其特征在于，在所述采用特征提取网络，对所述单通道图像进行特征提取之前，还包括：获取训练样本集，所述训练样本集包括：包含所述目标对象的单通道图像样本和可见光图像样本；获取待训练的特征提取网络和分类网络，以及切片网络；根据所述单通道图像样本中所述目标对象的第三通用特征和所述可见光图像样本中所述目标对象的第四通用特征，构建第一目标函数；根据分类结果构建第二目标函数；优化第一目标函数值和第二目标函数值，训练所述特征提取网络和分类网络；其中，所述切片网络用于将所述特征提取网络提取的特征划分为独有特征和通用特征，所述分类网络用于对所述特征提取网络提取的通用特征和独有特征的整体进行分类，得到所述分类结果。3.根据权利要求2所述的方法，其特征在于，所述获取待训练的特征提取网络，包括：获取初始特征提取网络和初始分类网络；采用带有目标对象分类标签的可见光图像样本，对所述初始特征提取网络和初始分类网络进行训练；将训练后的初始特征提取网络确定为所述待训练的特征提取网络。4.根据权利要求2所述的方法，其特征在于，所述单通道图像样本和所述可见光图像样本包含的目标对象身份相同；所述根据所述单通道图像样本中所述目标对象的第三通用特征和所述可见光图像样本中所述目标对象的第四通用特征，构建第一目标函数，包括：计算所述第三通用特征的数据分布和所述第四通用特征的数据分布之间的距离，得到第一目标函数。5.根据权利要求2所述的方法，其特征在于，所述训练样本集包括：多对单通道图像正样本和多对单通道图像负样本、多对可见光图像正样本和多对可见光图像负样本；其中，每对单通道图像正样本包含的目标对象身份相同，每对可见光图像正样本包含的目标对象身份相同，每对单通道图像负样本包含的目标对象身份不同；每对可见光图像负样本包含的...
【专利技术属性】
技术研发人员：田飞，
申请(专利权)人：百度国际科技深圳有限公司，
类型：发明
国别省市：
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。