【技术实现步骤摘要】
特征提取模型训练方法、图片搜索方法、装置及设备
[0001]本申请涉及计算机
,具体涉及一种特征提取模型训练方法、图片搜索方法、装置及设备。
技术介绍
[0002]目前的图像搜索技术,主要是基于全局特征(global feature)的图像搜索技术和基于协同过滤方案的图像搜索技术。
[0003]对于有模板图片的搜索问题,目前基于全局特征的方案,因为特征辨识度较低,导致搜索结果误差较大,而基于卷积神经网络的特征提取模型,因为针对的是一般的图片搜索问题,不能有效利用模板图片,因此搜索效果并不是最佳的。
[0004]因此,对于有模板图片作为搜索目标的图像搜索技术,有待进一步改进。
技术实现思路
[0005]本申请实施例提供一种特征提取模型训练方法、图片搜索方法、装置及设备,可以提升图片的视觉特征的特征辨识度,以及提升有模板图片的图片搜索的搜索效果。
[0006]第一方面,提供一种特征提取模型训练方法,所述方法包括:
[0007]获取包含真实图片和模板图片的训练图片数据,其中,同一批训练图片数据中的每张真实图片具有与其对应的模板图片;
[0008]基于特征提取模型提取出同一批训练图片数据中每张所述真实图片的视觉特征和每张所述模板图片的视觉特征,其中,所述视觉特征具有图片内区域之间的视觉语义相关性;
[0009]计算每张所述真实图片的视觉特征和每张所述模板图片的视觉特征之间的相似性;
[0010]根据所述相似性对所述特征提取模型进行训练,使得训练好的 ...
【技术保护点】
【技术特征摘要】
1.一种特征提取模型训练方法,其特征在于,所述方法包括:获取包含真实图片和模板图片的训练图片数据,其中,同一批训练图片数据中的每张真实图片具有与其对应的模板图片;基于特征提取模型提取出同一批训练图片数据中每张所述真实图片的视觉特征和每张所述模板图片的视觉特征,其中,所述视觉特征具有图片内区域之间的视觉语义相关性;计算每张所述真实图片的视觉特征和每张所述模板图片的视觉特征之间的相似性;根据所述相似性对所述特征提取模型进行训练,使得训练好的特征提取模型输出的每张所述真实图片的视频特征与每张所述真实图片对应的模板图片的视觉特征相似。2.如权利要求1所述的特征提取模型训练方法,其特征在于,所述基于特征提取模型提取出同一批训练图片数据中每张所述真实图片的视觉特征和每张所述模板图片的视觉特征,包括:将同一批训练图片数据同时输入所述特征提取模型中进行处理,将得到的每张所述真实图片和每张所述模板图片对应的预设维度的向量作为图片特征;计算每一所述图片特征的2范数,并将每一所述图片特征映射到欧式空间,得到每张所述真实图片的视觉特征,以及每张所述模板图片的视觉特征。3.如权利要求2所述的特征提取模型训练方法,其特征在于,所述计算每张所述真实图片的视觉特征和每张所述模板图片的视觉特征之间的相似性,包括:计算每张所述真实图片的视觉特征和每张所述模板图片的视觉特征之间的余弦距离。4.如权利要求3所述的特征提取模型训练方法,其特征在于,所述计算每张所述真实图片的视觉特征和每张所述模板图片的视觉特征之间的余弦距离,包括:将同一批训练图片数据中的所有真实图片的视觉特征进行组合,构成真实图片特征矩阵;将同一批训练图片数据中的所有模板图片的视觉特征进行组合,构成模板图片特征矩阵;将所述真实图片特征矩阵和所述模板图片特征矩阵进行点乘,得到余弦距离矩阵,所述余弦距离矩阵包含所有的所述真实图片与所述模板图片的视觉特征的余弦距离。5.如权利要求4所述的特征提取模型训练方法,其特征在于,所述根据所述相似性对所述特征提取模型进行训练,包括:根据所述模板图片的数量,每张所述模板图片对应的真实图片的数量,所述余弦距离矩阵,正样本对和负样本对构成的真值矩阵,计算所述特征提取模型的损失函数,以得到训练好的特征提取模型;其中,每张所述模板图片与其对应的真实图片形成一个正样本对,每张所述模板图片与其对应的真实图片之外的其他图片形成一个负样本对。6.如权利要求5所述的特征提取模型训练方法,其特征在于,同一批训练图片数据中包含n张模板图片以及每张模板图片对应的k张真实图片,k大于n,且k与n为不同的数量级;所述特征提取模型的损失函数采用以下公式确定:
其中,Loss表示损失函数;n表示所述模板图片的数量;k表示每张所述模板图片对应的真实图片的数量;S表示所述余弦距离矩阵;Y表示所述正样本对和负样本对构成的真值矩阵。7.如权利要求1所述的特征提取模型训练方法,其特征在于,在所述获取包含真实图片和模板图片的训练图片数据时,还包括:对所述真实图片进行数据增强处理。8.如权利要求7所述的特征提取模型训练方法,其特征在于,所述对所述对真实图片进行数据增强处理,包括:根据旋转、遮挡、裁切、色彩抖动、透视变换和重影叠加中的至少一种处理方式对所述真实图片进行数据增强处理。9.一种图片搜索方法,其特征在于,所...
【专利技术属性】
技术研发人员:沈辉,
申请(专利权)人:北京有竹居网络技术有限公司,
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。