图像特征提取模型的训练方法、图像检索方法及装置制造方法及图纸

本公开提供了图像特征提取模型的训练方法、图像检索方法及装置，涉及计算机技术领域，尤其涉及大数据、计算机视觉和深度学习技术领域。具体实现方案为：获取样本图像集；提取样本图像组中样本图像的视觉语义融合特征；根据视觉语义融合特征、样本图像组的第一标签，计算视觉度量损失；根据视觉语义融合特征、样本图像组中每一样本图像的第二标签，计算语义分类损失；基于视觉度量损失和语义分类损失，对图像特征提取模型进行训练。使得模型提取的视觉语义融合特征既能够表征图像的视觉信息，也能表征图像的语义信息。采用模型提取的视觉语义融合特征作为检索相似图像的依据，使得召回的相似图像视觉上与检索图像相似，语义上与检索图像相同。图像相同。图像相同。

【技术实现步骤摘要】
图像特征提取模型的训练方法、图像检索方法及装置


[0001]本公开涉及计算机
，尤其涉及大数据、计算机视觉和深度学习


技术介绍

[0002]随着深度学习的飞速发展，基于深度学习的图像检索技术得到了广泛应用。
[0003]通过图像检索技术，可以检索已知图像的相似图像，进而获取更多相关信息。

技术实现思路

[0004]本公开提供了一种图像特征提取模型的训练方法、图像检索方法及装置。
[0005]根据本公开的一方面，提供了一种图像特征提取模型的训练方法，包括：
[0006]获取样本图像集，所述样本图像集包含多个具有第一标签的样本图像组，每一所述样本图像组包含多个具有第二标签的样本图像；所述第一标签表示所述样本图像组包含的样本图像是否为相同类别；所述第二标签表示所述样本图像的类别；其中，同一类别的样本图像具有相似的视觉特征且语义相同；
[0007]基于所述图像特征提取模型包含的第一网络结构提取所述样本图像组中样本图像的视觉语义融合特征；
[0008]根据所述视觉语义融合特征、所述样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征提取模型的训练方法，包括：获取样本图像集，所述样本图像集包含多个具有第一标签的样本图像组，每一所述样本图像组包含多个具有第二标签的样本图像；所述第一标签表示所述样本图像组包含的样本图像是否为相同类别；所述第二标签表示所述样本图像的类别；其中，同一类别的样本图像具有相似的视觉特征且语义相同；基于所述图像特征提取模型包含的第一网络结构提取所述样本图像组中样本图像的视觉语义融合特征；根据所述视觉语义融合特征、所述样本图像组的第一标签以及预设的度量损失函数，计算视觉度量损失；根据所述视觉语义融合特征、所述样本图像组中每一样本图像的第二标签，以及预设的分类损失函数，计算语义分类损失；基于所述视觉度量损失和所述语义分类损失，对所述图像特征提取模型进行训练。2.根据权利要求1所述的方法，其中，所述根据所述视觉语义融合特征、所述样本图像组的第一标签以及预设的度量损失函数，计算视觉度量损失的步骤，包括：基于所述图像特征提取模型包含的第二网络结构对所述视觉语义融合特征进行处理，得到所述样本图像组中各个样本图像的视觉特征；根据所述视觉特征、所述样本图像组的第一标签以及预设的度量损失函数，计算所述视觉度量损失。3.根据权利要求1所述的方法，其中，所述根据所述视觉语义融合特征、所述样本图像组中每一样本图像的第二标签，以及预设的分类损失函数，计算语义分类损失的步骤，包括：基于所述图像特征提取模型包含的第三网络结构对所述视觉语义融合特征进行处理，得到所述样本图像组中各个样本图像的语义特征，并基于所述语义特征确定所述样本图像组中各个样本图像的预测类别标签；基于所述预测类别标签、所述样本图像组中每一样本图像的第二标签，以及预设的分类损失函数，计算所述语义分类损失。4.一种图像检索方法，包括：获取目标图像；采用预先训练的图像特征提取模型提取所述目标图像的视觉语义融合特征，基于所述视觉语义融合特征从检索库中检索相似图像；所述检索库中存储有待检索图像和检索索引；其中，所述检索索引是根据所述待检索图像的视觉语义融合特征构建的；所述待检索图像的视觉语义融合特征是预先采用所述图像特征提取模型提取的。5.根据权利要求4所述的方法，其中，所述检索库包含时效图像库，所述时效图像库是基于时效图像和所述时效图像的视觉语义融合特征构建的。6.一种图像特征提取模型的训练装置，包括：获取模块，用于获取样本图像集，所述样本图像集包含多个具有第一标签的样本图像组，每一所述样本图像组包含多个具有第二标签的样本图像；所述第一标签表示所述样本图像组包含的样本图像是否为相同类别；所述第二标签表示所述样本图像的类别；其中，同一类别的样本图像具有相似的视觉特征且语义相...

【专利技术属性】
技术研发人员：付程晗，范学峰，高菲，李国洪，
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：