[發明專利]對齊模型的訓練方法、裝置、計算機設備以及存儲介質

在審

• 申請號: 202110818845.1
• 申請日: 2021-07-20
• 公開（公告）號: CN113591637A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 孟強;張翅翔;徐小強;周峰
• 申請（專利權）人: 北京愛筆科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 樊春燕

本申請涉及一種對齊模型的訓練方法、裝置、計算機設備和存儲介質。所述方法包括：通過多個類別的樣本圖片按類別輸入至基準特征提取模型中，以及將樣本圖片分別輸入至待使用的特征提取模型中，得到多個類中心以及特征，通過類中心計算損失值，繼而更新待使用的特征提取模型的網絡參數，可以將模型對齊的方式從一對一的特征對齊，更新為類與類的對齊，擴大了對齊模型的適用范圍，增強了對齊模型的使用靈活性，并且還可以在保證特征提取精度的前提下，提高新模型的識別性能，降低訓練以及識別的計算量。

技術領域

本申請涉及計算機技術領域，特別是涉及一種對齊模型的訓練方法、裝置、計算機設備和存儲介質。

背景技術

在人臉識別領域、行人重識別領域以及以圖搜圖領域，常用的工具為視覺搜索系統，上述系統的工作機制為：系統中的特征提取模型將每張圖片映射到一個特征向量。當有一張待搜索的圖片時，模型將圖片的特征向量和歷史庫中的圖片特征向量進行比對，從而得到搜索結果。隨著技術發展，系統中的特征提取模型也需要不斷進行更新。由于不同特征提取模型的輸出特征差別很大，因此需要將新老特征提取模型輸出的特征進行對齊。

相關技術中，通常采用對新的特征提取模型進行重復大量的訓練的方式，使得針對同一圖像，新的特征提取模型識別出的特征與原來使用的特征提取模型的輸出向量完全一致，以便進行正常的圖像匹配。但是，基于上述方式，特征提取模型的適用范圍較小，靈活性較差。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠通用的、靈活性較好的對齊模型的訓練方法、裝置、計算機設備和存儲介質。

一種對齊模型的訓練方法，所述方法包括：

獲取訓練數據，所述訓練數據包括多個類別的樣本圖片；

將所述樣本圖片按類別分別輸入至基準特征提取模型，得到每個類別對應的基準提取結果，所述基準提取結果包括第一類中心以及多個第一特征；

將所述樣本圖片分別輸出至待使用的特征提取模型，得到每個所述樣本圖片對應的預測提取結果，所述訓練結果包括多個第二類中心以及多個第二特征；

根據所述第一類中心、第一特征、第二類中心以及第二特征，確定損失值；

根據所述損失值更新所述待使用的特征提取模型的網絡參數，并返回執行所述獲取訓練數據，所述訓練數據包括多個類別的樣本圖片的步驟，直到所述損失值滿足預設訓練完成條件，得到訓練完成的特征提取模型。

在其中一個實施例中，還包括：通過第一轉換器對所述第一類中心以及所述第一特征進行對齊轉換，得到第三類中心以及第三特征；

通過第二轉換器對所述第二類中心以及所述第二特征進行對齊轉換，得到第四類中心以及第四特征。

在其中一個實施例中，所述根據所述第一類中心、第一特征、第二類中心以及第二特征，確定損失值，包括：

根據所述第一類中心、所述第二類中心、所述第三類中心以及所述第四類中心，計算對齊損失值；根據所述樣本圖片中的第四特征、第一類中心以及預設夾角閾值，計算邊界損失值；根據所述對齊損失值、邊界損失值以及預設分類損失值，計算損失值。

在其中一個實施例中，所述根據所述對齊損失值、邊界損失值以及預設分類損失值，計算損失值，包括：

根據所述對齊損失值對應的第一權重、所述對齊損失值、所述邊界損失值對應的第二權重、所述邊界損失值以及預設分類損失值，計算損失值。

在其中一個實施例中，通過以下公式，計算所述對齊損失值：