[發明專利]特征學習的方法、目標物體的識別方法和對應裝置

在審

• 申請號: 202110360265.2
• 申請日: 2021-04-02
• 公開（公告）號: CN113705310A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 曹瓊;車翔
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 夏歡

1.一種特征學習的方法，其特征在于，包括：

獲取待提取圖像；其中，所述待提取圖像中包括目標物體，所述目標物體為被提取特征向量的物體；

調用訓練好的特征向量提取模型處理所述待提取圖像，得到所述待提取圖像中的目標物體的特征向量；其中，所述特征向量提取模型為基于圖像樣本中所包含目標物體的特征向量對應的第一損失值和第二損失值，對神經網絡模型訓練得到的；其中，所述第一損失值和所述第二損失值為基于預定中心損失函數對圖像樣本中所包含目標物體的特征向量進行處理得到，所述預定中心損失函數的類中心為所述神經網絡模型的全連接層的權重；所述第一損失值用于表征圖像樣本與所述圖像樣本所屬類別對應的類中心的差距，所述第二損失值用于表征不同的圖像樣本所屬類別對應的類中心之間的相關性。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

調用所述神經網絡模型處理圖像樣本，得到所述圖像樣本中目標物體的特征向量；

利用所述預定中心損失函數處理所述圖像樣本中目標物體的特征向量，得到所述第一損失值和所述第二損失值；

計算所述第一損失值和所述第二損失值，得到損失總值，并以所述損失總值作為訓練參數，訓練所述神經網絡模型，并將訓練好的神經網絡模型作為所述特征向量提取模型。

3.根據權利要求2所述的方法，其特征在于，所述利用所述預定中心損失函數處理所述圖像樣本中目標物體的特征向量，得到第一損失值和第二損失值，包括：

利用所述預定中心損失函數的最小化類內距離的計算公式，計算所述圖像樣本中所包含目標物體的特征向量，得到所述第一損失值；并利用所述預定中心損失函數的正交化減小類內距離的計算公式，計算所述圖像樣本中所包含目標物體的特征向量，得到所述第二損失值。

4.根據權利要求2所述的方法，其特征在于，所述調用所述神經網絡模型處理圖像樣本，得到所述圖像樣本中目標物體的特征向量之后，還包括：

利用第一損失函數處理所述圖像樣本中目標物體的特征向量，得到第三損失值、利用第二損失函數處理所述圖像樣本中目標物體的特征向量得到第四損失值；

其中：所述計算所述第一損失值和所述第二損失值，得到損失總值，包括：

以所述第三損失值、所述第四損失值的校正值、所述第一損失值的校正值和所述第二損失值校正值的和，作為所述損失總值；其中，所述第一損失值的校正值為所述第一損失值和預設值的積，所述第二損失值的校正值為所述第二損失值和預設值的積，所述第四損失值的校正值為所述第四損失值和預設值的積。

5.一種目標物體的識別方法，其特征在于，包括：

利用權利要求1至4中任意一項所述的特征學習方法，處理待識別圖像，得到所述待識別圖像中目標物體的特征向量；其中，所述待識別圖像中包括目標物體；

獲取所述待識別圖像的圖像質量參數；其中，所述圖像質量參數用于表征所述待識別圖像的質量高低；

在所述待識別圖像的圖像質量參數表征所述待識別圖像的圖像質量高時，在檢索庫中對所述目標物體的特征向量進行檢索，得到所述檢索庫中與所述待目標物體的特征向量相似度最高的物體。

6.根據權利要求5所述的方法，其特征在于，所述獲取所述待識別圖像的圖像質量參數，包括：

調用圖像質量評估模型處理所述目標物體的特征向量，得到所述待識別圖像的圖像質量參數；其中，所述圖像質量參數用于表征所述待識別圖像的質量高低，所述圖像質量評估模型由利用圖像樣本對神經網絡模型訓練得到，所述神經網絡模型包括全連接層和與全連接層并行運行的質量權重層，所述全連接層得到所述圖像樣本的輸出值，所述質量權重層得到質量評估參數；訓練所述神經網絡模型得到圖像質量評估模型的過程中的損失值由所述圖像樣本的輸出值和所述質量評估參數計算得到損失總值。

7.根據權利要求5所述的方法，其特征在于，所述獲取所述待識別圖像的圖像質量參數，包括：

獲取所述待識別圖像的置信度，其中，所述待識別圖像的置信度用于表征所述待識別圖像中包含有目標物體的概率。