[發明專利]模型生成方法、裝置、設備和可讀存儲介質

有效

• 申請號: 202010906703.6
• 申請日: 2020-09-02
• 公開（公告）號: CN111815631B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 秦勇;李兵
• 申請（專利權）人: 北京易真學思教育科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T9/00;G06K9/62;G06N3/04
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 閻敏;郭麗祥

1.一種模型生成方法，其特征在于，包括：

獲取第一類圖像，所述第一類圖像的標簽信息包括與所述第一類圖像表達相同內容的第二類圖像；

獲取第一神經網絡，所述第一神經網絡包括初始編碼器和初始解碼器；

利用所述第一類圖像訓練所述第一神經網絡，得到訓練后的第一神經網絡中的第一編碼器；其中，所述第一類圖像的標簽信息為訓練所述第一神經網絡的監督信息；

其中，所述第一編碼器用于對待預測圖像對中的第一類圖像進行編碼，以提供所述第一類圖像的編碼進行所述待預測圖像對的相似度評估；

將所述第一類圖像輸入所述第一編碼器，得到第一類編碼；

利用所述第二類圖像訓練第二神經網絡，得到訓練后的第二神經網絡中的第二編碼器；

將所述第二類圖像輸入所述第二編碼器，得到第二類編碼；

根據所述第一類編碼和所述第二類編碼，訓練第三神經網絡，得到編碼相似度評估模型；

利用所述第一編碼器、所述第二編碼器和所述編碼相似度評估模型，生成圖像相似度評估模型。

2.根據權利要求1所述的方法，其特征在于，在所述利用所述第二類圖像訓練所述第二神經網絡，得到訓練后的第二神經網絡中的第二編碼器之前，所述方法還包括：

獲取第二類圖像，所述第二類圖像的標簽信息包括所述第二類圖像自身；

獲取第二神經網絡，所述第二神經網絡包括初始編碼器和初始解碼器；

其中，所述第二編碼器用于對所述待預測圖像對中的第二類圖像進行編碼，以利用所述第一編碼器的編碼結果和所述第二編碼器的編碼結果進行所述待預測圖像對的相似度評估。

3.根據權利要求2所述的方法，其特征在于，其中，

所述初始編碼器包括第一卷積層、第一歸一化層和第一激活函數層，所述第一卷積層、所述第一歸一化層和所述第一激活函數層交替分布；

所述初始解碼器包括反卷積層、第二歸一化層和第二激活函數層，所述反卷積層、所述第二歸一化層和所述第二激活函數層交替分布。

4.根據權利要求2所述的方法，其特征在于，所述初始編碼器為變分自編碼器。

5.根據權利要求1所述的方法，其特征在于，所述根據所述第一類編碼和所述第二類編碼，訓練第三神經網絡，包括：

確定編碼對和所述編碼對的標簽信息，所述編碼對包括一個第一類編碼和一個第二類編碼，所述編碼對的標簽信息用于表示第一類編碼和第二類編碼是否相似；

根據所述編碼對和所述編碼對的標簽，訓練第三神經網絡。

6.根據權利要求1所述的方法，其特征在于，所述根據所述第一類編碼和所述第二類編碼，訓練第三神經網絡，包括：

對所述第一類編碼和所述第二類編碼均進行預設目標區域的剪切，得到第一類區域編碼和第二類區域編碼；

對所述第一類編碼和所述第二類編碼均進行降采樣處理，得到第一類降采樣編碼和第二類降采樣編碼；

根據所述第一類區域編碼、所述第二類區域編碼、所述第一類降采樣編碼和所述第二類降采樣編碼，訓練第三神經網絡。

7.根據權利要求6所述的方法，其特征在于，所述第三神經網絡包括特征網絡和分類網絡，所述特征網絡包括四個分支，四個所述分支用于輸入所述第一類區域編碼、所述第二類區域編碼、所述第一類降采樣編碼和所述第二類降采樣編碼；

四個所述分支的權重不相同，每個所述分支包括預設層數的第二卷積層。

8.根據權利要求7所述的方法，其特征在于，其中，

所述分類網絡包括全連接層和歸一化層，所述全連接層連接所述歸一化層。

9.根據權利要求1-8任一項所述的方法，其特征在于，還包括：

獲取待預測圖像對，所述待預測圖像對包括第一類待預測圖像和第二類待預測圖像；

將所述第一類待預測圖像輸入所述第一編碼器，得到第一類待預測編碼，以提供所述第一類待預測編碼進行所述待預測圖像對的相似度評估。