神经网络模型的训练方法及图像检索方法技术

本发明专利技术公开了神经网络模型的训练方法及图像检索方法，涉及图像处理技术领域。训练方法包括：基于semi

【技术实现步骤摘要】
神经网络模型的训练方法及图像检索方法


[0001]本专利技术涉及图像处理
，尤其涉及一种用于图像检索的神经网络模型训练方法、一种基于神经网络模型的图像检索方法、一种存储介质及一种图像处理装置。

技术介绍

[0002]目前的图像检索方法，通常是通过神经网络对全局特征进行学习，识别结果的准确率较低，难以对局部特征进行识别。而如果需要对局部特征进行识别，就需要针对每个局部特征单独进行标注，再训练神经网络模型，标注浪费时间较长，导致训练的速度很慢。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种用于图像检索的神经网络模型训练方法、一种基于神经网络模型的图像检索方法、一种存储介质及一种图像处理装置。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]一种用于图像检索的神经网络模型训练方法，包括：
[0006]获取用于训练的query图像；
[0007]基于semi
‑
hard负例策略选择所述query图像的正例图像和负例图像，构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图像检索的神经网络模型训练方法，其特征在于，包括：获取用于训练的query图像；基于semi
‑
hard负例策略选择所述query图像的正例图像和负例图像，构成包含query图像、正例图像和负例图像的三元组；将所述三元组的图像输入到神经网络模型中，对所述图像进行不同深度卷积层的特征提取，结合注意力网络从得到的特征图中提取感兴趣区域的局部特征；对得到的局部特征进行聚合，得到全局特征；根据所述全局特征对比损失函数，并通过反向传播算法更新所述神经网络模型的权重，直到达到预设的训练停止条件，完成训练。2.根据权利要求1所述的用于图像检索的神经网络模型训练方法，其特征在于，基于semi
‑
hard负例策略选择所述query图像的正例图像和负例图像，具体包括：设置第一距离和第二距离，所述第一距离大于所述第二距离；根据所述query图像，从预设的正例池中挑选与所述query图像的距离小于所述第二距离的图像，作为正例图像；根据所述query图像，从预设的负例池中挑选与所述query图像的距离大于或等于所述第二距离，且小于所述第一距离的图像，作为负例图像。3.根据权利要求2所述的用于图像检索的神经网络模型训练方法，其特征在于，根据所述query图像，从预设的负例池中挑选与所述query图像的距离大于或等于所述第二距离，且小于所述第一距离的图像，作为负例图像，具体包括：根据所述query图像，从与所述query图像对应的类别不同的负例池中挑选与所述query图像的距离大于或等于所述第二距离，且小于所述第一距离的图像，作为负例图像。4.根据权利要求1至3中任一项所述的用于图像检索的神经网络模型训练方法，其特征在于，将所述三元组的图像输入到神经网络模型中，对所述图像进行不同深度卷积层的特征提取，结合注意力网络从得到的特征图中提取感兴趣区域的局部特征，具体包括：将所述三元组的图像输入到神经网络模型中，基于Resnet模型和FPN网络对所述图像进行不同深度卷积层的特征提取，得到特征图；从所述特征图中选择不同的区域作为候选区域，通过注意力网络...

【专利技术属性】
技术研发人员：李东明，金忠良，林赞磊，
申请(专利权)人：长城计算机软件与系统有限公司，
类型：发明
国别省市：