本发明专利技术公开了一种多路对比的孪生网络模型设计及训练的方法、装置、存储介质，所述多路对比的孪生网络模型设计及训练的方法包括：设计具有多路backbone的孪生网络模型；通过基于对比损失函数和三元组损失函数改进后的函数来训练所述孪生网络模型；将多个图片进行尺寸适配处理，再将尺寸适配处理后的图片一起送入训练后的孪生网络模型进行推理判断；本发明专利技术能够在在复杂场景中，需要多物体图片切片进行对比时，极大的提高了推理效率，同多个图片进行对比时不用多次加载目标图片节约显存和算力。
【技术实现步骤摘要】
本专利技术涉及深度学习，具体讲是多路对比的孪生网络模型设计及训练的方法、装置、存储介质。
技术介绍
1、孪生网络模型输入两张或成对的三通道或单通道图像，通过两路backbone(共享权重)得到结果，得到的feature map(特征图)计算欧式距离从而得出是否为同一类或同一个物体，但在很多复杂场景下需要多个物体对目标对象进行匹配，需要经过多次匹配导致计算资源的浪费。
技术实现思路
1、因此，为了解决上述不足，本专利技术在此提供一种多路对比的孪生网络模型设计及训练的方法、装置、存储介质。
2、第一方面，本专利技术提供了多路对比的孪生网络模型设计及训练的方法，包括如下步骤：
3、s100、设计具有多路backbone的孪生网络模型；
4、s200、通过基于contrastive loss(对比损失函数)和triplet loss(三元组损失函数)改进后的函数来训练所述孪生网络模型；
5、其中改进后的函数如下：
6、
7、loss(x1，xi)＝max(l(x1，xi)-β，0)；
8、其中：xi是第i个输出，labeli是第i个目标输出，α为一个大于1的权值常量，β为常量，d(x1，xi)是第一个输出和第i个输出的参数值；
9、s300、将多个图片进行尺寸适配处理，再将尺寸适配处理后的图片一起送入训练后的孪生网络模型进行推理判断。
10、可选的，所述参数值是欧式距离；
>11、所述推理判断为，将多个尺寸适配处理的图片送入训练后的所述孪生网络模型进行推理，设定欧式距离阈值，将与第一个输出的欧式距离小于所述欧式距离阈值判定为同一目标。12、可选的，所述参数值是余弦相似度；
13、所述推理判断为，将多个尺寸适配处理的图片送入训练后的所述孪生网络模型进行推理，设定余弦相似度阈值，将与第一个输出的余弦相似度小于所述余弦相似度阈值判定为同一目标。
14、可选的，所述具有多路backbone的孪生网络模型的输入图像尺寸为16*16到128*128像素值。
15、可选的，所述backbone包括但不限于resnet、csp-darknet、repvgg、mobileone、efficientnet、resnet、vggnet、inception(googlenet)、mobilenet、densenet、efficientnet、xception、nasnet、senet(squeeze-and-excitation network)、resnext、mobilenetv3、regnet、ghostnet等
16、可选的，所述孪生网络模型输入批尺寸为2到20，1＜i≤批尺寸。
17、第二方面，本专利技术提供了对比的孪生网络模型设计及训练的装置，其特征在于：包括
18、设计模块，用于设计具有多路backbone的孪生网络模型；
19、训练模块，用于通过基于对比损失函数和三元组损失函数改进后的函数来训练所述孪生网络模型；
20、其中改进后的函数如下：
21、
22、loss(x1，xi)＝max(l(x1，xi)-β，0)；
23、其中：xi是第i个输出，labeli是第i个目标输出，α为一个大于1的权值常量，β为常量，d(x1，xi)是第一个输出和第i个输出的参数值；以及
24、推理模块、用于将多个图片进行尺寸适配处理，再将尺寸适配处理后的图片一起送入训练后的孪生网络模型进行推理判断。
25、第三方面，本专利技术提供了计算机可读存储介质，其上存储有计算机程序，
26、其特征在于，该程序被处理器执行，以用于实现所述多路对比的孪生网络模型设计及训练的方法。
27、本专利技术具有如下优点：
28、在复杂场景中，需要多物体图片切片进行对比，极大的提高了推理效率，同多个图片进行对比时不用多次加载目标图片节约显存和算力。
本文档来自技高网...
【技术保护点】
1.多路对比的孪生网络模型设计及训练的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述参数值是欧式距离；
3.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：
4.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述具有多路backbone的孪生网络模型的输入图像尺寸为16*16到128*128像素值。
5.根据权利要求4所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述backbone为resnet、或csp-darknet、或repvgg、或mobileone、或EfficientNet。
6.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述孪生网络模型输入批尺寸为2到20，其中1<i≤批尺寸。
7.多路对比的孪生网络模型设计及训练的装置，其特征在于：包括
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的多路对比的孪生网络模型设计及训练的方法。
...
【技术特征摘要】
1.多路对比的孪生网络模型设计及训练的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述参数值是欧式距离；
3.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：
4.根据权利要求1所述多路对比的孪生网络模型设计及训练的方法，其特征在于：所述具有多路backbone的孪生网络模型的输入图像尺寸为16*16到128*128像素值。
5.根据权利要求4所述多路对比的孪生网络模型设计及训练的方法，其特征在...
【专利技术属性】
技术研发人员：尹小杰，曾钦勇，明鑫，
申请(专利权)人：成都浩孚科技有限公司，
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。