图像特征提取模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像特征提取模型的训练方法、装置、设备及存储介质，其中，该方法包括：获取至少两个图像样本组；在任一图像样本组内，基于图像样本组中不同空间域的样本图像进行图像融合得到增强样本图像，并基于增强样本图像对图像样本组进行更新，得到各图像样本组对应的增强训练样本组；在对图像特征提取模型的每一迭代训练过程中，基于图像特征提取模型对任意两组增强训练样本组中样本图像提取，并基于任意两组所述增强训练样本组中样本图像对应的图像特征确定损失函数，基于损失函数对当前迭代的图像特征提取模型的参数进行调节，直到得到目标图像特征提取模型。通过上述技术方案，提高了模型的特征提取精度。提高了模型的特征提取精度。提高了模型的特征提取精度。

【技术实现步骤摘要】
图像特征提取模型的训练方法、装置、设备及存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种图像特征提取模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]目前，图像处理技术作为从图像中获取有效信息的有效手段，在各种应用场景中被广泛应用。在很多场景下，会需要对图像进行特征提取来从丰富的图像信息中捕捉到关注信息。随着人工智能技术的快速发展，为提高图像特征提取效果，各种神经网络方法被应用于图像特征提取。
[0003]但是，传统的利用神经网络模型进行图像特征提取的方法，对空间域相差较大的图像组的特征提取精度差，无法满足用户需求。

技术实现思路

[0004]本专利技术实施例提供了一种图像特征提取模型的训练方法、装置、设备及存储介质，以实现提高模型的特征提取精度。
[0005]第一方面，本专利技术实施例提供了一种图像特征提取模型的训练方法，包括：
[0006]获取至少两个图像样本组，其中，各所述图像样本组分别包括不同空间域的至少两个样本图像；
[0007]在任一所述图像样本组内，基于所述图像样本组中不同空间域的样本图像进行图像融合得到增强样本图像，并基于所述增强样本图像对所述图像样本组进行更新，得到各所述图像样本组对应的增强训练样本组；
[0008]在对图像特征提取模型的每一迭代训练过程中，基于所述图像特征提取模型对任意两组所述增强训练样本组中样本图像进行图像特征提取，并基于所述任意两组所述增强训练样本组中样本图像对应的图像特征确定损失函数，基于所述损失函数对当前迭代的图像特征提取模型的参数进行调节，直到得到目标图像特征提取模型。
[0009]第二方面，本专利技术实施例还提供了一种图像特征提取方法，包括：
[0010]获取待处理图像；
[0011]将所述待处理图像输入至所述目标图像特征提取模型，得到特征提取结果；
[0012]其中，所述目标图像特征提取模型是根据本专利技术任意实施例所提供的图像特征提取模型的训练方法训练得到。
[0013]第三方面，本专利技术实施例还提供了一种图像特征提取模型的训练装置，包括：
[0014]样本获取模块，用于获取至少两个图像样本组，其中，各所述图像样本组分别包括不同空间域的至少两个样本图像；
[0015]增强样本确定模块，用于在任一所述图像样本组内，基于所述图像样本组中不同空间域的样本图像进行图像融合得到增强样本图像，并基于所述增强样本图像对所述图像样本组进行更新，得到各所述图像样本组对应的增强训练样本组；
[0016]模型训练模块，用于在对图像特征提取模型的每一迭代训练过程中，基于所述图像特征提取模型对任意两组所述增强训练样本组中样本图像进行图像特征提取，并基于所述任意两组所述增强训练样本组中样本图像对应的图像特征确定损失函数，基于所述损失函数对当前迭代的图像特征提取模型的参数进行调节，直到得到目标图像特征提取模型。
[0017]第四方面，本专利技术实施例还提供了一种图像特征提取装置，包括：
[0018]图像获取模块，用于获取待处理图像；
[0019]特征提取模块，用于将所述待处理图像输入至所述目标图像特征提取模型，得到特征提取结果；
[0020]其中，所述目标图像特征提取模型是根据本专利技术任意实施例所提供的图像特征提取模型的训练装置训练得到。
[0021]第五方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：
[0022]一个或多个处理器；
[0023]存储装置，用于存储一个或多个程序，
[0024]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例所提供的图像特征提取模型的训练方法，或者图像特征提取方法。
[0025]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术任意实施例所提供的图像特征提取模型的训练方法，或者图像特征提取方法。
[0026]本专利技术实施例的技术方案，通过获取至少两个图像样本组，其中，各图像样本组分别包括不同空间域的至少两个样本图像，表明训练样本包括不同空间域的样本图像；进一步的，在任一图像样本组内，基于图像样本组中不同空间域的样本图像进行图像融合得到增强样本图像，并基于增强样本图像对所述图像样本组进行更新，得到各图像样本组对应的更易学习到样本内在关系的增强训练样本组；进一步的，在对图像特征提取模型的每一迭代训练过程中，根据图像特征提取模型对任意两组增强训练样本组中样本图像进行图像特征提取，并基于任意两组增强训练样本组中样本图像对应的图像特征确定损失函数，基于损失函数对当前迭代的图像特征提取模型的参数进行调节，直到得到目标图像特征提取模型。这样训练可以使图像特征提取模型学习到增强训练样本组内，以及不同增强训练样本组间的样本图像的特征内在关系，从而提高图像特征提取模型的特征提取精度。
附图说明
[0027]为了更加清楚地说明本专利技术示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
[0028]图1为本专利技术实施例一所提供的一种图像特征提取模型的训练方法的流程示意图；
[0029]图2为本专利技术实施例二所提供的一种图像特征提取模型的训练方法的流程示意图；
[0030]图3为本专利技术实施例三所提供的一种图像特征提取模型的训练方法的流程示意图；
[0031]图4为本专利技术实施例三所提供的一种损失计算关系示意图；
[0032]图5为本专利技术实施例四所提供的一种图像特征提取方法的流程示意图；
[0033]图6为本专利技术实施例五所提供的一种图像特征提取模型的训练装置的结构示意图；
[0034]图7为本专利技术实施例六所提供的一种图像特征提取装置的结构示意图；
[0035]图8为本专利技术实施例七所提供的一种电子设备的结构示意图。
具体实施方式
[0036]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0037]另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0038]实施例一
[0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，其特征在于，包括：获取至少两个图像样本组，其中，各所述图像样本组分别包括不同空间域的至少两个样本图像；在任一所述图像样本组内，基于所述图像样本组中不同空间域的样本图像进行图像融合得到增强样本图像，并基于所述增强样本图像对所述图像样本组进行更新，得到各所述图像样本组对应的增强训练样本组；在对图像特征提取模型的每一迭代训练过程中，基于所述图像特征提取模型对任意两组所述增强训练样本组中样本图像进行图像特征提取，并基于所述任意两组所述增强训练样本组中样本图像对应的图像特征确定损失函数，基于所述损失函数对当前迭代的图像特征提取模型的参数进行调节，直到得到目标图像特征提取模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述增强样本图像对所述图像样本组进行更新，得到增强训练样本组，包括：将所述增强样本图像对所述图像样本组中的样本图像进行替换，得到增强训练样本组。3.根据权利要求2所述的方法，其特征在于，所述样本图像组至少包括可见光图像和区别于所述可见光图像所在空间域的另一空间域图像，所述将所述增强样本图像对所述图像样本组中的样本图像进行替换，得到增强训练样本组，包括：将所述增强样本图像对所述图像样本组中的所述另一空间域图像进行替换，得到增强训练样本组，其中，所述增强训练样本组包括所述增强样本图像和可见光图像。4.根据权利要求3所述的方法，其特征在于，所述基于所述任意两组所述增强训练样本组中样本图像对应的图像特征确定损失函数，包括：基于第一增强训练样本组中增强样本图像的图像特征、第一增强训练样本组中可见光图像的图像特征、第二增强训练样本组中可见光图像的图像特征确定第一损失项；基于所述第二增强训练样本组中增强样本图像的图像特征、第二增强训练样本组中可见光图像的图像特征和第一增强训练样本组中可见光图像的图像特征，确定第二损失项；基于所述第一损失项和所述第二损失项确定损失函数。5.根据权利要求4所述的方法，其特征在于，所述基于第一增强训练样本组中增强样本图像的图像特征、第一增强训练样本组中可见光图像的图像特征、第二增强训练样本组中可见光图像的图像特征确定第一损失项，包括：基于第一增强训练样本组中增强样本图像的图像特征与所述第一增强训练样本组中可见光图像的图像特征，确定第一距离信息；基于所述第一增强训练样本组中增强样本图像的图像特征与所述第二增强训练样本组中可见光图像的图像特征，确定第二距离信息；基于所述第一距离信息和所述第二距离信息确定第一损失项；以及，所述基于所述第二增强训练样本组中增强样本图像的图像特征、第二增强训练样本组...

【专利技术属性】
技术研发人员：何艾莲，付彬，乔宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：