[發明專利]一種基于人工智能的圖像處理方法、裝置及存儲介質

在審

• 申請號: 202011306103.2
• 申請日: 2020-11-19
• 公開（公告）號: CN113392866A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 郭卉
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

1.一種基于人工智能的圖像處理方法，其特征在于，所述方法包括：

獲取訓練樣本集，所述訓練樣本集包括帶類別標簽的第一圖像樣本集以及由三元組組成的第二圖像樣本集；

利用所述訓練樣本集對原始模型進行語義學習的訓練以及度量學習的訓練，所述原始模型包括第一分支網絡和第二分支網絡，所述第一分支網絡和所述第二分支網絡包括共用的網絡參數；

根據訓練后的原始模型確定圖像特征提取模型，所述圖像特征提取模型用于提取圖像的特征向量。

2.根據權利要求1所述的方法，其特征在于，所述利用所述訓練樣本集對原始模型進行語義學習的訓練以及度量學習的訓練，包括：

利用所述第一圖像樣本集對所述第一分支網絡進行語義學習的訓練，以及利用所述第二圖像樣本集對所述第二分支網絡進行度量學習的訓練；

其中，所述第一分支網絡和所述第二分支網絡包括共用的模型參數，所述第二圖像樣本集中的每個三元組包括參考圖像樣本、正圖像樣本和負圖像樣本。

3.根據權利要求2所述的方法，其特征在于，所述利用所述第一圖像樣本集對所述第一分支網絡進行語義學習的訓練，以及利用所述第二圖像樣本集對所述第二分支網絡進行度量學習的訓練，包括：

將所述第一圖像樣本集包括的圖像以及對應的類別標簽輸入所述第一分支網絡，以獲取所述第一分支網絡的預測結果；

將所述第二圖像樣本集包括的三元組輸入所述第二分支網絡，以獲取所述第二分支網絡的預測結果；

根據所述第一分支網絡的預測結果、所述第二分支網絡的預測結果和所述原始模型的總損失函數，對所述第一分支網絡的網絡參數和所述第二分支網絡的網絡參數進行調整，以完成對所述原始模型進行語義學習的訓練以及度量學習的訓練。

4.根據權利要求3所述的方法，其特征在于，所述根據所述第一分支網絡的預測結果、所述第二分支網絡的預測結果和所述原始模型的總損失函數對所述第一分支網絡的網絡參數和所述第二分支網絡的網絡參數進行調整，以完成對所述原始模型進行語義學習的訓練以及度量學習的訓練之前，所述方法還包括：

獲取所述第一分支網絡的損失函數和所述第二分支網絡的損失函數，所述第一分支網絡的損失函數包括分類損失函數和一致性損失函數；

確定所述第一分支網絡的損失函數和所述第二分支網絡的損失函數中各個損失函數的權重參數；

根據所述第一分支網絡的損失函數、所述第二分支網絡的損失函數以及所述各個損失函數的權重參數，確定所述原始模型的總損失函數。

5.根據權利要求3或4所述的方法，其特征在于，所述將所述第一圖像樣本集包括的圖像以及對應的類別標簽輸入所述第一分支網絡，以獲取第一分支網絡的預測結果，包括：

將所述第一圖像樣本集包括的圖像以及對應的類別標簽輸入所述第一分支網絡，得到第一預測結果；

對所述第一圖像樣本集包括的圖像進行增強處理，得到增強處理后的圖像；

將所述增強處理后的圖像以及對應的類別標簽輸入所述第一分支網絡，得到第二預測結果；

將所述第一預測結果和所述第二預測結果作為所述第一分支網絡的預測結果。

6.根據權利要求3或4所述的方法，其特征在于，所述將所述第二圖像樣本集包括的三元組輸入所述第二分支網絡，以獲取所述第二分支網絡的預測結果，包括：

將所述第二圖像樣本集包括的三元組輸入所述第二分支網絡，以獲取所述第二圖像樣本集中每個三元組包括的圖像之間的距離；

根據所述距離從所述第二圖像樣本集包括的三元組中確定作為難樣本的目標三元組，并獲取所述目標三元組包括的每張圖像的預測特征向量；

將所述目標三元組包括的每張圖像的預測特征向量作為所述第二分支網絡的預測結果。

7.根據權利要求1所述的方法，其特征在于，所述根據訓練后的原始模型確定圖像特征提取模型之后，所述方法還包括：

獲取待檢索圖像；

將所述待檢索圖像輸入所述圖像特征提取模型，以得到所述待檢索圖像的特征向量；

利用所述待檢索圖像的特征向量和圖像特征庫確定所述待檢索圖像的相似圖像，所述圖像特征庫包括至少一張圖像的特征向量。