图像检索模型的训练方法、装置、设备以及存储介质制造方法及图纸

本公开提供了一种图像检索模型的训练方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术。该方法包括：获取包括至少一个训练图像对的训练图像集，训练图像对包括第一图像和第二图像；针对训练图像对中的每个训练图像对，利用初始图像检索模型的第一编码器分别提取第一图像的第一特征和第二图像的第二特征，利用初始图像检索模型的第二编码器分别提取第一图像的第三特征和第二图像的第四特征；基于第一特征与第三特征的第一对比损失、第二特征与第四特征的第二对比损失更新初始图像检索模型的参数，得到训练完成的图像检索模型。基于本公开提供的方法训练得到的图像检索模型具有更高的检索精度。索精度。索精度。

【技术实现步骤摘要】
图像检索模型的训练方法、装置、设备以及存储介质


[0001]本公开涉及人工智能
，具体为计算机视觉和深度学习技术，尤其涉及图像检索模型的训练方法、装置、设备以及存储介质。

技术介绍

[0002]对比学习是无监督学习的一种，能够从无标注的数据中学习知识。对比学习受训练的批次大小影响明显，一般地一次训练的批次越大，对比学习的效果越好。但是提升训练的批次大小受限于服务器的硬件配置，普通服务器显存有限导致不能设置更大的训练批次。现有的基于负例的对比学习，比如MoCo(基于动量比对的非监督式视觉表征学习)虽然能够比较好的学习不同样本之间的特征表达，但是MoCo并没有完全利用一次训练的负样本特征，从而导致GPU(graphics processing unit，图形处理器)资源浪费，使得模型的性能得不到完全的释放。

技术实现思路

[0003]本公开提供了一种图像检索模型的训练方法、装置、设备以及存储介质。
[0004]根据本公开的第一方面，提供了一种图像检索模型的训练方法，包括：获取训练图像集，其中，训练图像集中包括至少一个训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检索模型的训练方法，包括：获取训练图像集，其中，所述训练图像集中包括至少一个训练图像对，所述训练图像对包括第一图像和第二图像；针对所述至少一个训练图像对中的每个训练图像对，利用初始图像检索模型的第一编码器分别提取所述第一图像的第一特征和所述第二图像的第二特征，并利用所述初始图像检索模型的第二编码器分别提取所述第一图像的第三特征和所述第二图像的第四特征；基于所述第一特征与所述第三特征的第一对比损失以及所述第二特征与所述第四特征的第二对比损失更新所述初始图像检索模型的参数，得到训练完成的图像检索模型。2.根据权利要求1所述的方法，其中，所述训练图像对通过如下步骤得到：获取初始图像集；针对所述初始图像集中的每张图像，分别进行两种不同的数据增强，得到增强后的第一图像和第二图像；将所述第一图像和所述第二图像作为一个训练图像对。3.根据权利要求1所述的方法，其中，所述基于所述第一特征与所述第三特征的第一对比损失以及所述第二特征与所述第四特征的第二对比损失更新所述初始图像检索模型的参数，包括：分别计算所述第一特征与所述第三特征的第一对比损失以及所述第二特征与所述第四特征的第二对比损失；基于所述第一对比损失与所述第二对比损失得到目标损失；基于所述目标损失利用反向传播算法更新所述第一编码器的参数；通过所述第一编码器的参数动量更新所述第二编码器的参数。4.根据权利要求3所述的方法，还包括：分别计算所述第一特征与所述第四特征的第三对比损失以及所述第二特征与所述第三特征的第四对比损失；以及所述基于所述第一对比损失与所述第二对比损失得到目标损失，包括：将所述第一对比损失、所述第二对比损失、所述第三对比损失与所述第四对比损失相加，得到所述目标损失。5.根据权利要求4所述的方法，其中，所述第一对比损失、所述第二对比损失、所述第三对比损失与所述第四对比损失均是通过infoNCE损失函数计算得到。6.一种图像检索方法，包括：获取待检索图像；将所述待检索图像输入至预先训练的图像检索模型中，输出得到检索结果，其中，所述图像检索模型通过权利要求1
‑
5中任一项所述的方法训练得到。7.一种图像检索模型的训练装置，包括：第一获取模块，被配置成获取训练图像集，其中，所述训练图像集中包括至少一个训练图像对，所述训练图像对包括第一图像和第二图像；提取模块，被配置成针对所述至少一个训练图像对中的每个训练图像对，利用初始图像检索模型的第一编码器分别提取所述第一图像的第一特征和所述第二图像的第二特征，并利用所述初始图像检索模...

【专利技术属性】
技术研发人员：周文硕，杨大陆，武秉泓，孙钦佩，杨叶辉，黄海峰，
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：