[發明專利]深度度量模型的優化方法、設備及存儲介質

在審

• 申請號: 202011231255.0
• 申請日: 2020-11-06
• 公開（公告）號: CN113516141A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 陳炳輝
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20
• 代理公司: 北京太合九思知識產權代理有限公司 11610
• 代理人: 張愛;劉戈

1.一種深度度量模型的優化方法，其特征在于，包括：

響應客戶端對第一接口的調用請求，獲取接口參數包含的多個樣本數據組；

將所述多個樣本數據組輸入深度度量模型，得到所述多個樣本數據組對應的多個圖模型；其中，圖模型中的節點用于表示樣本數據，相鄰節點之間的邊長用于表示相鄰節點對應的樣本數據的特征相似度；

根據所述多個圖模型的結構，構造圖一致性損失函數；

依據所述圖一致性損失函數，對所述深度度量模型進行迭代訓練，并將訓練得到的結果模型返回至所述客戶端。

2.一種深度度量模型的優化方法，其特征在于，包括：

獲取多個樣本圖像組；

將所述多個樣本圖像組輸入深度度量模型，得到所述多個樣本圖像組對應的多個圖模型；其中，圖模型中的節點用于表示樣本圖像，相鄰節點之間的邊長用于表示相鄰節點對應的樣本圖像的特征相似度；

根據所述多個圖模型的結構，構造圖一致性損失函數；

依據所述圖一致性損失函數，對所述深度度量模型進行迭代訓練。

3.一種深度度量模型的優化方法，其特征在于，包括：

獲取多個樣本數據組；

將所述多個樣本數據組輸入深度度量模型，得到所述多個樣本數據組對應的多個圖模型；其中，圖模型中的節點用于表示樣本數據，相鄰節點之間的邊長用于表示相鄰節點對應的樣本數據的特征相似度；

根據所述多個圖模型的結構，構造圖一致性損失函數；

依據所述圖一致性損失函數，對所述深度度量模型進行迭代訓練。

4.根據權利要求3所述的方法，其特征在于，獲取多個樣本數據組，包括：

從樣本數據集中，確定指定的w個樣本類別；

分別對所述w個樣本類別對應的樣本數據進行隨機采樣，得到每個樣本類別對應的k個樣本數據；

將采樣得到的w*k個樣本數據，作為一個樣本數據組。

5.根據權利要求3所述的方法，其特征在于，根據所述多個圖模型的結構，構造圖一致性損失函數，包括：

根據所述多個圖模型的結構，確定所述深度度量模型對類別相同的樣本數據的第一特征判別差異，和/或，對類別不同的樣本數據的第二特征判別差異；

根據所述第一特征判別差異和/或所述第二特征判別差異，確定所述圖一致性損失函數。

6.根據權利要求5所述的方法，其特征在于，根據所述多個圖模型的結構，確定所述深度度量模型對類別相同的樣本數據的第一特征判別差異，和/或，對類別不同的樣本數據的第二特征判別差異，包括：

從所述多個圖模型中的第一圖模型以及第二圖模型中，分別獲取樣本類別相同的節點之間的邊長，得到多個第一類型的邊長，和/或，分別獲取樣本類別不同的節點之間的邊長，得到多個第二類型的邊長；

基于所述多個第一類型的邊長之間的差，確定所述深度度量模型對類別相同的樣本數據的第一特征判別差異，和/或，基于所述多個第二類型的邊長之間的差，確定所述深度度量模型對類別不同的樣本數據的第二特征判別差異。

7.根據權利要求5所述的方法，其特征在于，根據所述多個圖模型的結構，計算所述深度度量模型對類別相同的樣本數據的第一特征判別差異，和/或，對類別不同的樣本數據的第二特征判別差異，包括：

基于第一圖模型中的任意相鄰節點之間的邊長，構造所述第一圖模型的相似度矩陣，以及，基于第二圖模型中的任意相鄰節點之間的邊長，構造所述第二圖模型的相似度矩陣；

根據所述第一圖模型的相似度矩陣與所述第二圖模型的相似度矩陣差的范數，確定所述第一特征判別差異和所述第二特征判別差異。

8.根據權利要求7所述方法，其特征在于，基于所述第一圖模型中的任意相鄰節點之間的邊長，構造所述第一圖模型的相似度矩陣，包括：

將所述第一圖模型中的第i個樣本數據對應的節點與第j個樣本數據對應的節點之間的邊長，作所述第一圖模型的相似度矩陣中第i行、第j列的元素；

其中，i＝1,2…n,j＝1,2…n，n為所述第一圖模型對應的樣本數據組中的樣本數據的總數量。