[發(fā)明專利]模型訓(xùn)練方法、圖像特征提取方法、目標(biāo)檢測(cè)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011035233.7
• 申請(qǐng)日: 2020-09-27
• 公開(kāi)（公告）號(hào): CN112232384A
• 公開(kāi)（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 王遠(yuǎn)江;鄭凱;袁野
• 申請(qǐng)（專利權(quán)）人: 北京邁格威科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 北京潤(rùn)澤恒知識(shí)產(chǎn)權(quán)代理有限公司 11319
• 代理人: 王婷婷

1.一種圖像特征提取模型訓(xùn)練方法，其特征在于，所述方法包括：

獲取第一樣本集，所述第一樣本集中包括樣本圖像；

從所述第一樣本集中提取部分樣本圖像作為目標(biāo)樣本圖像，執(zhí)行如下訓(xùn)練步驟：將各目標(biāo)樣本圖像輸入至初始模型，得到各目標(biāo)樣本圖像的特征信息；對(duì)所得到的特征信息進(jìn)行聚類，并基于聚類結(jié)果確定各目標(biāo)樣本圖像對(duì)應(yīng)的負(fù)樣本圖像；確定各目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像；基于各目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像和負(fù)樣本圖像，確定損失值，并基于所述損失值調(diào)整所述初始模型的參數(shù)；響應(yīng)于檢測(cè)到所述初始模型訓(xùn)練完成，將調(diào)整參數(shù)后的初始模型確定為圖像特征提取模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取第一樣本集，包括：

獲取未標(biāo)注的第二樣本集，所述第二樣本集中包括原始樣本圖像；

對(duì)所述原始樣本圖像執(zhí)行以下至少一項(xiàng)操作，得到所述原始樣本圖像對(duì)應(yīng)的增強(qiáng)樣本圖像：隨機(jī)裁剪、水平翻轉(zhuǎn)、色度調(diào)整、亮度調(diào)整、飽和度調(diào)整、高斯噪聲添加；

將所述第二樣本集中的原始樣本圖像和所得到的增強(qiáng)樣本圖像進(jìn)行匯總，得到第一樣本集。

3.根據(jù)權(quán)利要求1-2之一所述的方法，其特征在于，所述第一樣本集中的樣本圖像包括原始樣本圖像和所述原始樣本圖像對(duì)應(yīng)的增強(qiáng)樣本圖像；以及，所述基于聚類結(jié)果確定各目標(biāo)樣本圖像對(duì)應(yīng)的負(fù)樣本圖像，包括：

基于聚類結(jié)果為各目標(biāo)樣本圖像設(shè)置聚類標(biāo)簽，其中，特征信息屬于同一聚類的目標(biāo)樣本圖像具有相同的聚類標(biāo)簽，特征信息不屬于同一聚類的目標(biāo)樣本圖像具有不同的聚類標(biāo)簽；

將與該目標(biāo)樣本圖像具有不同的聚類標(biāo)簽的各樣本圖像作為該目標(biāo)樣本圖像對(duì)應(yīng)的負(fù)樣本圖像。

4.根據(jù)權(quán)利要求2或3之一所述的方法，其特征在于，所述確定各目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像，包括：

對(duì)于每一個(gè)目標(biāo)樣本圖像，從與該目標(biāo)樣本圖像具有相同的聚類標(biāo)簽的其余樣本圖像中，選取該目標(biāo)樣本圖像對(duì)應(yīng)的增強(qiáng)樣本圖像和/或原始樣本圖像，作為該目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像；

或者，對(duì)于每一個(gè)目標(biāo)樣本圖像，選取該目標(biāo)樣本圖像對(duì)應(yīng)的增強(qiáng)樣本圖像和/或原始樣本圖像，作為該目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像。

5.根據(jù)權(quán)利要求1-4之一所述的方法，其特征在于，所述基于各目標(biāo)樣本圖像對(duì)應(yīng)的正樣本圖像和負(fù)樣本圖像，確定損失值，包括：

對(duì)于每一個(gè)目標(biāo)樣本圖像，檢測(cè)該目標(biāo)樣本圖像的特征信息與該目標(biāo)樣本圖像對(duì)應(yīng)的各正樣本圖像的特征信息的第一距離之和，并檢測(cè)該目標(biāo)樣本圖像的特征信息與該目標(biāo)樣本圖像對(duì)應(yīng)的各負(fù)樣本圖像的特征信息的第二距離之和；將所述第一距離之和與所述第二距離之和的比值作為該目標(biāo)樣本圖像對(duì)應(yīng)的損失值；

將各目標(biāo)樣本圖像對(duì)應(yīng)的損失值求和，得到所述初始模型的損失值。

6.根據(jù)權(quán)利要求1-5之一所述的方法，其特征在于，所述對(duì)所得到的特征信息進(jìn)行聚類，包括：

獲取預(yù)設(shè)數(shù)量的聚類中心；

檢測(cè)所得到的各特征信息到各聚類中心的距離；

對(duì)于所得到的每一個(gè)特征信息，將與該特征信息距離最小的聚類中心對(duì)應(yīng)的聚類作為該特征信息所屬的聚類。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，在所述對(duì)所得到的特征信息進(jìn)行聚類之后，所述訓(xùn)練步驟還包括：

對(duì)于每一個(gè)聚類，逐一地從該聚類中選取一個(gè)特征信息作為目標(biāo)特征信息，將該聚類的聚類中心與所述目標(biāo)特征信息加權(quán)求和，得到加權(quán)求和結(jié)果，并將該聚類的聚類中心替換為所述加權(quán)求和結(jié)果。

8.根據(jù)權(quán)利要求1-7之一所述的方法，其特征在于，所述方法還包括：

響應(yīng)于檢測(cè)到所述初始模型未訓(xùn)練完成，重新從所述第一樣本集中提取部分樣本圖像作為目標(biāo)樣本圖像，并使用調(diào)整參數(shù)后的初始模型和新的目標(biāo)樣本圖像，繼續(xù)執(zhí)行所述訓(xùn)練步驟。