特征提取模型处理及特征提取方法、装置和计算机设备制造方法及图纸

本申请涉及一种特征提取模型处理方法、装置、计算机设备、存储介质和计算机程序产品。该方法涉及机器学习，包括：获取样本图像及基于样本图像的第一图像特征所反映的特征鉴别力确定的继承参数；通过特征提取模型从样本图像中提取第二图像特征；通过历史图像分类模型基于第二图像特征进行第一分类，通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；通过图像分类模型基于第二图像特征进行第二分类；基于模型兼容损失和第二分类的分类损失，对特征提取模型和图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。采用本方法能够在确保模型兼容性的同时，提高图像特征提取有效性。提高图像特征提取有效性。提高图像特征提取有效性。

【技术实现步骤摘要】
特征提取模型处理及特征提取方法、装置和计算机设备


[0001]本申请涉及计算机
，特别是涉及一种特征提取模型处理方法、装置、计算机设备、存储介质和计算机程序产品，以及一种特征提取方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着计算机技术的发展，从互联网中检索出指定资源的检索技术已经不局限于文字检索，还支持用户进行图片检索。例如，用户可以输入查询图片进行检索，从而从数据库中查询到与用户输入的查询图片相似的图片。在图片检索技术中，往往是针对图片提取图像特征，如通过图像特征提取模型提取图像特征，通过提取的图像特征进行相似度比较，以实现针对图片的检索处理。
[0003]然而，在图像特征提取模型升级、更新时，新模型为了实现与旧模型之间的兼容性，会牺牲一部分自身的特征提取能力，故容易导致新模型无法提取到有效的图像特征。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够确保模型兼容性的同时，提高图像特征提取有效性的特征提取模型处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以及一种特征提取方法、装置、计算机设备、存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种特征提取模型处理方法。所述方法包括：
[0006]获取样本图像和样本图像的继承参数；继承参数，是基于样本图像的第一图像特征所反映的特征鉴别力确定的；第一图像特征，是由已训练完成的历史特征提取模型从样本图像中提取得到的；
[0007]通过待训练的特征提取模型从样本图像中提取得到第二图像特征；
[0008]通过与历史特征提取模型联合训练得到的历史图像分类模型，基于第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；
[0009]通过待训练的图像分类模型基于第二图像特征进行第二分类，获得第二分类的分类损失；
[0010]基于模型兼容损失和第二分类的分类损失，对待训练的特征提取模型和待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。
[0011]第二方面，本申请还提供了一种特征提取模型处理装置。所述装置包括：
[0012]样本图像获取模块，用于获取样本图像和样本图像的继承参数；继承参数，是基于样本图像的第一图像特征所反映的特征鉴别力确定的；第一图像特征，是由已训练完成的历史特征提取模型从样本图像中提取得到的；
[0013]第二图像特征提取模块，用于通过待训练的特征提取模型从样本图像中提取得到第二图像特征；
[0014]模型兼容损失获得模块，用于通过与历史特征提取模型联合训练得到的历史图像分类模型，基于第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；
[0015]第二分类损失获得模块，用于通过待训练的图像分类模型基于第二图像特征进行第二分类，获得第二分类的分类损失；
[0016]模型更新模块，用于基于模型兼容损失和第二分类的分类损失，对待训练的特征提取模型和待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。
[0017]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0018]获取样本图像和样本图像的继承参数；继承参数，是基于样本图像的第一图像特征所反映的特征鉴别力确定的；第一图像特征，是由已训练完成的历史特征提取模型从样本图像中提取得到的；
[0019]通过待训练的特征提取模型从样本图像中提取得到第二图像特征；
[0020]通过与历史特征提取模型联合训练得到的历史图像分类模型，基于第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；
[0021]通过待训练的图像分类模型基于第二图像特征进行第二分类，获得第二分类的分类损失；
[0022]基于模型兼容损失和第二分类的分类损失，对待训练的特征提取模型和待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。
[0023]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0024]获取样本图像和样本图像的继承参数；继承参数，是基于样本图像的第一图像特征所反映的特征鉴别力确定的；第一图像特征，是由已训练完成的历史特征提取模型从样本图像中提取得到的；
[0025]通过待训练的特征提取模型从样本图像中提取得到第二图像特征；
[0026]通过与历史特征提取模型联合训练得到的历史图像分类模型，基于第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；
[0027]通过待训练的图像分类模型基于第二图像特征进行第二分类，获得第二分类的分类损失；
[0028]基于模型兼容损失和第二分类的分类损失，对待训练的特征提取模型和待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。
[0029]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0030]获取样本图像和样本图像的继承参数；继承参数，是基于样本图像的第一图像特征所反映的特征鉴别力确定的；第一图像特征，是由已训练完成的历史特征提取模型从样本图像中提取得到的；
[0031]通过待训练的特征提取模型从样本图像中提取得到第二图像特征；
[0032]通过与历史特征提取模型联合训练得到的历史图像分类模型，基于第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失；
[0033]通过待训练的图像分类模型基于第二图像特征进行第二分类，获得第二分类的分类损失；
[0034]基于模型兼容损失和第二分类的分类损失，对待训练的特征提取模型和待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。
[0035]上述特征提取模型处理方法、装置、计算机设备、存储介质和计算机程序产品，通过与历史特征提取模型联合训练得到的历史图像分类模型，基于待训练的特征提取模型从样本图像中提取的第二图像特征进行第一分类，并通过继承参数对第一分类的分类损失进行调整，得到模型兼容损失，继承参数基于历史特征提取模型从样本图像中提取第一图像特征所反映的特征鉴别力得到，通过待训练的图像分类模型基于第二图像特征进行第二分类，基于模型兼容损失和第二分类的分类损失进行模型更新训练，可以通过历史特征提取模型提取的特征所确定的继承参数，对历史特征提取模型提取的特征进行选择性继承，能够有效学习到历史特征提取模型的知识，使得训练得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征提取模型处理方法，其特征在于，所述方法包括：获取样本图像和所述样本图像的继承参数；所述继承参数，是基于所述样本图像的第一图像特征所反映的特征鉴别力确定的；所述第一图像特征，是由已训练完成的历史特征提取模型从所述样本图像中提取得到的；通过待训练的特征提取模型从所述样本图像中提取得到第二图像特征；通过与所述历史特征提取模型联合训练得到的历史图像分类模型，基于所述第二图像特征进行第一分类，并通过所述继承参数对所述第一分类的分类损失进行调整，得到模型兼容损失；通过待训练的图像分类模型基于所述第二图像特征进行第二分类，获得所述第二分类的分类损失；基于所述模型兼容损失和所述第二分类的分类损失，对所述待训练的特征提取模型和所述待训练的图像分类模型进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过所述历史特征提取模型从所述样本图像中提取得到第一图像特征；通过所述历史图像分类模型对所述第一图像特征进行图像分类，获得图像类别分布；根据所述图像类别分布确定所述样本图像的继承参数。3.根据权利要求2所述的方法，其特征在于，所述根据所述图像类别分布确定所述样本图像的继承参数，包括：基于所述图像类别分布确定类别分布交叉熵；针对所述类别分布交叉熵进行归一化处理，得到用于度量第一图像特征的特征鉴别力的鉴别力参数；根据所述鉴别力参数确定所述样本图像的继承参数。4.根据权利要求1所述的方法，其特征在于，所述继承参数包括与所述特征鉴别力呈正相关的继承权重；所述通过所述继承参数对所述第一分类的分类损失进行调整，得到模型兼容损失，包括：获取所述第一分类的分类损失；按照所述继承权重对所述第一分类的分类损失进行加权处理，得到模型兼容损失。5.根据权利要求4所述的方法，其特征在于，所述获取所述第一分类的分类损失，包括：确定所述样本图像的类别标签；根据所述类别标签，确定所述历史图像分类模型针对所述样本图像所属类别的历史分类模型参数；基于所述第二图像特征与所述历史分类模型参数之间的角度间隔，得到所述第一分类的分类损失。6.根据权利要求1所述的方法，其特征在于，所述通过待训练的图像分类模型基于所述第二图像特征进行第二分类，获得所述第二分类的分类损失，包括：通过待训练的图像分类模型基于所述第二图像特征进行第二分类，得到所述第二分类的分类结果；基于所述第二分类的分类结果和所述样本图像携带的类别标签之间的差异，确定所述
第二分类的分类损失。7.根据权利要求1至6任意一项所述的方法，其特征在于，所述方法还包括：通过待训练的特征进化模型对所述第一图像特征进行特征映射，得到所述第一图像特征的映射特征；通过所述待训练的图像分类模型基于所述映射特征进行第三分类，得到所述第三分类的分类损失；基于所述模型兼容损失、所述第二分类的分类损失以及所述第三分类的分类损失，对所述待训练的特征提取模型、所述待训练的图像分类模型以及所述待训练的特征进化模型分别进行更新后继续进行联合训练，直至训练完成，获得训练完成的特征提取模型。8.根据权利要求7所述的方法，其特征在于，所述基于所述模型兼容损失、所述第二分类的分类损失以及所述第三分类的分类损失，对所述待训练的特征提取模型、所述待训练的图像分类模型以及所述待训练的特征进化模型分别进行更新后继续进行联合训练，包括：根据所述模型兼容损失、所述第二分类的分类损失以及所述第三分类的分类损失，获得联合训练的目标损失；基于所述目标损失对所述待训练的特征提取模型、所述待训练的图像分类模型以及所述待训练的特征进化模型分别进行更新后继续进行联合训练。9.根据权利要求7所述的方法，其特征在于，所述方法还包括：确定与所述历史特征提取模型关联的待查询图像特征库；所述待查询图像特征库包括各待查询图像各自的待查询图像特征；所述待查询图像特征，是由所述历史特征提取模型针对所述各待查询图像进行提取得到的；通过训练完成的特征进化模型，对各...

【专利技术属性】
技术研发人员：张斌杰，葛艺潇，苏树鹏，徐叙远，王烨鑫，单瀛，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：