基于重排序的特征提取、特征提取模型的训练方法和装置制造方法及图纸

本申请公开了基于重排序的特征提取、特征提取模型的训练方法和装置，通过将查询图像的第一特征向量、每个候选图像的第一特征向量和第一邻接矩阵输入特征提取模型中的图卷积神经网络进行特征变换，获得所述查询图像的第二特征向量和所述每个候选图像的第二特征向量；根据所述每个候选图像的第二特征向量与所述查询图像的第二特征向量之间的相似度，从多个候选图像中确定与所述查询图像的语义匹配的目标图像。由于，本申请中在考虑了多个候选图像的第一特征向量与查询图像的第一特征向量之间的相似度的同时，还考虑了多个候选图像的第一特征向量之间的相似度，由此进一步提高了图像特征提取的准确率，增加了可靠性。增加了可靠性。增加了可靠性。

【技术实现步骤摘要】
基于重排序的特征提取、特征提取模型的训练方法和装置


[0001]本申请涉及图像处理
，特别是涉及基于重排序的特征提取、特征提取模型的训练方法和装置。

技术介绍

[0002]图像特征提取，是从图像中提取有用的数据或信息，得到用数值、向量和符号等特征向量表示的图像的过程。
[0003]目前，对查询图像进行特征提取的方法，主要是根据多个候选图像的特征向量与查询图像的特征向量之间的相似度大小，将与查询图像的特征向量相似度高的多个候选图像的特征向量进行聚合，进而得到与查询图像匹配的图像。
[0004]然而，在实际查找的数据库中通常会存在与查询图像的图像特征向量相似度高但语义内容不同的候选图像，采用现有方法进行图像特征向量提取，容易使得这些与查询图像语义内容不同的候选图像被错误的当作是与查询图像匹配的图像，进而导致图像特征提取不准确，可靠度低。

技术实现思路

[0005]基于上述问题，本申请提供了基于重排序的特征提取、特征提取模型的训练方法和装置。
[0006]本申请实施例公开了如下技术方案：
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重排序的特征提取方法，其特征在于，包括：将查询图像和多个候选图像输入特征提取模型中的特征提取网络进行特征提取，获得所述查询图像的第一特征向量和每个候选图像的第一特征向量；根据所述查询图像的第一特征向量和所述每个候选图像的第一特征向量之间的相似度，确定所述查询图像的第一特征向量和所述每个候选图像的第一特征向量对应的第一邻接矩阵；将所述查询图像的第一特征向量、所述每个候选图像的第一特征向量和所述第一邻接矩阵输入所述特征提取模型中的图卷积神经网络进行特征变换，获得所述查询图像的第二特征向量和所述每个候选图像的第二特征向量；根据所述每个候选图像的第二特征向量与所述查询图像的第二特征向量之间的相似度，从多个候选图像中确定与所述查询图像的语义匹配的目标图像。2.根据权利要求1所述的方法，其特征在于，所述根据所述每个候选图像的第二特征向量与所述查询图像的第二特征向量之间的相似度，从多个候选图像中确定与所述查询图像的语义匹配的目标图像，包括：根据所述每个候选图像的第二特征向量与所述查询图像的第二特征向量之间的相似度，由高到低对所述多个候选图像进行排序获得排序结果；选取所述排序结果中前k个候选图像确定为所述目标图像。3.一种特征提取模型的训练方法，其特征在于，包括：将基准图像、正样本图像和负样本图像输入特征提取网络进行特征提取，获得所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量；根据所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量和第一损失函数，获得第一损失；根据所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量之间的相似度，确定所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量对应的第二邻接矩阵；将所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量和所述第二邻接矩阵输入图卷积神经网络进行特征变换，获得所述基准图像的第四特征向量、所述正样本图像的第四特征向量和所述负样本图像的第四特征向量；根据所述基准图像的第四特征向量、所述正样本图像的第四特征向量、所述负样本图像的第四特征向量和第二损失函数，获得第二损失；根据所述第一损失和所述第二损失，确定目标训练损失；根据所述目标训练损失，训练所述特征提取网络的网络参数；将训练完成的所述特征提取网络确定为所述特征提取模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述基准图像的第四特征向量、所述正样本图像的第四特征向量、所述负样本图像的第四特征向量和第二损失函数，获得第二损失，包括：根据所述正样本图像的第四特征向量与所述基准图像的第四特征向量之间的相似度，以及所述负样本图像的第四特征向量与所述基准图像的第四特征向量之间的相似度，对所
述正样本图像的第四特征向量和所述负样本图像的第四特征向量进行重排序，获得重排序结果；根据所述重排序结果和所述第二损失函数，获得所述第二损失。5.根据权利要求4所述的方法，其特征在于，所述根据所述重排序结果和所述第二损失函数，获得第二损失，包括：根据所述重排序结果、所述正样本图像的数量和所述负样本图像的数量，计算平均精度值；根据所述平均精度值输入所述第二损失函数，获得所述第二损失。6.根据权利要求3所述的方法，其特征在于，所述根据所述基准图像的第三特征向量、所述正样本图像的第三特征向量和所述负样本图像的第三特征向量和第一损失函数，获得第一损失，包括：根据所述正样本图像的第三...

【专利技术属性】
技术研发人员：何嘉斌，
申请(专利权)人：北京爱笔科技有限公司，
类型：发明
国别省市：