训练特征提取模型、检测相似图像的方法和装置与流程

1.本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像处理和图像识别等场景下。


背景技术：

2.现有相似图识别方法大多是基于特征进行交叉比对，但是由于特征的表达能力不够，相似的图质检的置信度不够高。由于实际业务场景的复杂性，以及作弊手段的多样性，相似图识别难度非常大。


技术实现要素：

3.本公开提供了一种训练特征提取模型和检测相似图像的方法、装置、设备、存储介质以及计算机程序产品。
4.根据本公开的第一方面，提供了一种训练特征提取模型的方法，包括：获取样本集，其中，样本集中的样本包括目标图像、与目标图像相似的正样本以及与目标图像不相似的负样本；执行以下训练步骤：从样本集中选取样本；将选取的样本中的目标图像输入相似图像识别网络的编码器，得到第一特征向量；将正样本和负样本输入相似图像识别网络的动量编码器，得到第二特征向量集合；计算第一特征向量和第二特征向量集合中每个第二特征向量的相似度；基于相似度计算相似图像识别网络的损失值；若损失值小于预定阈值，则将编码器确定为特征提取模型。
5.根据本公开的第二方面，提供了一种检测相似图像的方法，包括：获取待对比的图像集合；将图像集合输入根据第一方面的方法训练得到的第一特征提取模型，得到第一特征集合；将第一特征集合进行交叉对比，得到各图像之间的第一相似度；将第一相似度大于第一阈值的图像对确定为相似图像。
6.根据本公开的第三方面，提供了一种训练特征提取模型的装置，包括：获取单元，被配置成获取样本集，其中，样本集中的样本包括目标图像、与目标图像相似的正样本以及与目标图像不相似的负样本；训练单元，被配置成执行以下训练步骤：从样本集中选取样本；将选取的样本中的目标图像输入相似图像识别网络的编码器，得到第一特征向量；将正样本和负样本输入相似图像识别网络的动量编码器，得到第二特征向量集合；计算第一特征向量和第二特征向量集合中每个第二特征向量的相似度；基于相似度计算相似图像识别网络的损失值；若损失值小于预定阈值，则将编码器确定为特征提取模型。
7.根据本公开的第四方面，提供了一种检测相似图像的装置，包括：获取单元，被配置成获取待对比的图像集合；提取单元，被配置成将图像集合输入根据第二方面的装置训练得到的第一特征提取模型，得到第一特征集合；第一对比单元，被配置成将第一特征集合进行交叉对比，得到各图像之间的第一相似度；确定单元，被配置成将第一相似度大于第一阈值的图像对确定为相似图像。
8.一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储
器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面和第二方面所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行第一方面和第二方面的方法。
10.一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现第一方面和第二方面的方法。
11.本公开实施例提供的训练特征提取模型、检测相似图像的方法和装置，通过相似图像的正样本和负样本训练相似图像识别网络，并从相似图像识别网络提取出特征提取模型。从而使得训练出的模型提取的特征更准确。通过训练出特征提取模型对图像进行识别，如果识别结果不够可信则进行二次识别。从而提高了图像识别的准确率。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是本公开可以应用于其中的示例性系统架构图；
15.图2是根据本公开训练特征提取模型的方法的一个实施例的流程图；
16.图3a、3b是根据本公开训练特征提取模型的方法中样本采集过程的示意图；
17.图4是根据本公开训练特征提取模型的方法中特征提取模型的网络结构的示意图；
18.图5是根据本公开检测相似图像的方法的一个实施例的流程图；
19.图6是根据本公开训练特征提取模型的装置的一个实施例的结构示意图；
20.图7是根据本公开检测相似图像的装置的一个实施例的结构示意图；
21.图8是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.图1示出了可以应用本公开实施例的训练特征提取模型的方法、训练特征提取模型的装置、检测相似图像的方法或检测相似图像的装置的示例性系统架构100。
24.如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
25.用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、相似图像检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
26.这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是
具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
27.当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备采集图像。
28.数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括目标图像(参考图像)、与目标图像相似的正样本以及与目标图像不相似的负样本。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。
29.服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的特征提取模型)发送给终端101、102。这样，用户可以应用生成的特征提取模型对图像集进行特征提取后，进行特征对比确定出相似的图像。
30.这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
31.需要说明的是，本公开实施例所提供的训练特征提取模型的方法或检测相似图像的方法一般由服务器105执行。相应地，训练特征提取模型的装置或检测相似图像的装置一般也设置于服务器105中。
32.需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
33.应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。
34.相关技术的相似图识别方法需要基于大量的分类数据集来训练具有较好表征能力的特征提取模型。但由于训练集与业务场景有一定的差异，所以往往在业务场景上的泛化性不是很好。而且深度学习特征提取的是全局信息，容易受到背景的干扰，从而影响相似度评分。
35.继续参见图2，其示出了根据本公开的训练特征提取模型的方法的一个实施例的流程200。该训练特征提取模型的方法可以包括以下步骤：
36.步骤201，获取样本集。
37.在本实施例中，训练特征提取模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，
从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。
38.在这里，样本集中可以包括至少一个样本。其中，样本可以包括目标图像、与目标图像相似(相似图像指的是两个图像的特征之间的相似度大于第一阈值例如0.8，不相似图像指的是两个图像的特征之间的相似度小于第二阈值，例如0.6)的正样本以及与目标图像不相似的负样本。通常情况下一个样本中可包括一个目标图像、一个正样本和多个负样本。还可在训练过程中还可以适当加入一些数据增强方式来扩充样本丰富性。例如，仿射变换、缩放、模糊等操作。
39.步骤202，从样本集中选取样本。
40.在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤208的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本中图像的清晰度较好(即像素较高)的样本。
41.步骤203，将选取的样本中的目标图像输入相似图像识别网络的编码器，得到第一特征向量。
42.在本实施例中，相似图像识别网络可包括编码器和动量编码器。相似图像识别网络的输入为两个图像，输出为这两个图像的相似度。编码器和动量编码器可以是类似于resnet这样的神经网络，如图4所示。编码器可以将输入的目标图像编码成第一特征向量q。需要说明的是，本文中的第一特征向量和第二特征向量是为了区分不同编码器的编码结果。
43.在网络训练过程中，利用imagenet预训练相似图像识别网络可以获得一个很好的冷启动，在训练过程中还可以适当加入一些数据增强方式来扩充样本丰富性。
44.步骤204，将正样本和负样本输入相似图像识别网络的动量编码器，得到第二特征向量集合。
45.在本实施例中，正样本和负样本的数量可不做限定。动量编码器可将正样本和负样本编码成第二特征向量ki，i＝0
…
k。k+1为总的样本数，通常正样本数量为1个，负样本数量为k个。
46.步骤205，计算第一特征向量和第二特征向量集合中每个第二特征向量的相似度。
47.在本实施例中，对于图4中的一个图像块xq，它对应很多对照样本xk，其中只有一个是正样本(例如来自同一张图的图像块)，其他的都是负样本。编码器和动量编码器都是类似于resnet这样的神经网络，用于将输入的图像块编码成特征向量q和k，然后通过对两者进行点积运算得到相似度(余弦相似度)。也可通过其它方式计算相似度。
48.步骤206，基于相似度计算相似图像识别网络的损失值。
49.在本实施例中，整个相似图像识别网络可采用对比损失，如式1所示：
[0050][0051]
其中，是损失值，q是图像块经编码器编码后的特征向量，k
+
是对照样本中的正样本经过编码器之后的特征向量，ki是所有的对照样本的特征向量，τ是平滑因子。
[0052]
可选地，也可选择其它的损失函数计算损失值。
[0053]
步骤207，若损失值小于预定阈值，则将编码器确定为特征提取模型。
[0054]
在本实施例中，若损失值小于预定阈值，则说明相似图像识别网络训练完成，将相似图像识别网络中的编码器确定为用于提取图像特征的特征提取模型。
[0055]
步骤208，若损失值不小于预定阈值，则调整相似图像识别网络中的编码器的相关参数和动量编码器的相关参数，继续执行训练步骤202-208。
[0056]
在本实施例中，如果相似图像识别网络训练未完成，则调整相似图像识别网络中的编码器的相关参数和动量编码器的相关参数，使得损失值变小。如图4所示，可采用梯度下降反向传播的方式调整编码器的相关参数和动量编码器的相关参数。
[0057]
本实施例中训练特征提取模型的方法，通过相似图像的正样本和负样本训练相似图像识别网络，并从相似图像识别网络提取出特征提取模型。从而使得训练出的模型提取的特征更准确。
[0058]
在本实施例的一些可选地实现方式中，调整相似图像识别网络中的编码器的相关参数和动量编码器的相关参数，包括：通过梯度回传的方式调整相似图像识别网络中的编码器的相关参数；通过编码器的相关参数对动量编码器的相关参数进行动量更新。网络的编码器分支使用梯度回传方式进行更新，但动量编码器分支采用动量更新，如式2所示：
[0059]
θk←
mθk+(1-m)θqꢀꢀ
(2)
[0060]
其中，m是动量系数，取值范围[0,1)，θk代表动量编码器的参数，θq代表编码器的参数，θk是用θq进行动量更新，为了解决直接梯度回传导致的表征不稳定的问题。动量更新能获得不错收敛率。
[0061]
在本实施例的一些可选地实现方式中，获取样本集，包括：获取原始图像集；对于每张原始图像，从该原始图像中随机裁剪出两个图像片段作为目标图像和正样本，从其它原始图像中随机裁剪出至少一个图像片段作为目标图像的负样本。一般情况下，一张图上的不同区域的相似度是很强的，而不同图像上区域相似度是很低的，为了让模型进行对比学习，因此可制定一个规则，同一张图上的裁剪出的图像片段(patch)是正样本，如图3a所示。其他图上的裁剪出的图像片段是负样本，如图3b所示。这种构造样本的方法无需任何标注，直接利用海量业务数据对模型进行微调，节省标注成本。
[0062]
请参见图5，其示出了本公开提供的检测相似图像的方法的一个实施例的流程500。该检测相似图像的方法可以包括以下步骤：
[0063]
步骤501，获取待对比的图像集合。
[0064]
在本实施例中，检测相似图像的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待对比的图像集合。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的图像集合。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的图像集合。
[0065]
步骤502，将图像集合输入第一特征提取模型，得到第一特征集合。
[0066]
在本实施例中，执行主体可以将步骤501中获取的图像集合输入第一特征提取模型中，从而从每个图像中提取出特征，得到第一特征集合。
[0067]
在本实施例中，第一特征提取模型可以是采用如上述图2实施例所描述的方法而
生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。
[0068]
步骤503，将第一特征集合进行交叉对比，得到各图像之间的第一相似度。
[0069]
在本实施例中，可通过矩阵乘的方式将第一特征集合进行交叉对比，得到相似度矩阵，即可得到各图像之间的第一相似度。例如，n张图像，每张图像提取出512维的特征向量，第一特征集合为n*512，进行矩阵乘后得到n*n的相似度矩阵。相似度矩阵中除对角线之外的元素代表了不同图像之间的相似度。为了和后面的相似度进行区分，在本步骤中得到的相似度命名为第一相似度。
[0070]
步骤504，将第一相似度大于第一阈值的图像对确定为相似图像。
[0071]
在本实施例中，如果一对图像的第一相似度大于第一阈值(例如0.8)，则说明这对图像是一对相似图像。
[0072]
在本实施例的一些可选的实现方式中，所述方法还包括：对于第一相似度大于第二阈值且小于等于第一阈值的目标图像对，将目标图像对输入第二特征提取模型，得到第二特征集合，基于第二特征集合计算目标图像对的第二相似度。将第二相似度大于第一阈值的图像对确定为相似图像
[0073]
在本实施例中，第一阈值大于第二阈值。如果一对图像的第一相似度小于等于第二阈值(例如，0.6)，则说明这对图像是一对不相似图像。
[0074]
但对于第一相似度大于第二阈值且小于等于第一阈值的一对图像(简称为目标图像)，检测结果可信度不高，需要进一步进行检测。可以换一种特征提取模型重新提取特征进行对比分析。
[0075]
第二特征提取模型不同于第一特征提取模型，例如可以比第一特征提取模型具有更多层的网络结构。第二特征提取模型提取出的特征(命名为第二特征)也不同于第一特征提取模型提取出的特征。然后根据第二特征计算出目标图像对的第二相似度。
[0076]
第一特征提取模型用于提取全局特征，第二特征提取模型可以是局部特征提取模型。第二特征提取模型可以是基于sift(scale-invariant feature transform，尺度不变特征转换)、lbp(local binary patterns，局部二值模式)等算法的特征提取模型。其中sift是用于图像处理领域的一种局部特征描述子，这种描述具有尺度不变性且可在图像中检测出关键点，sift特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关，对于光线、噪声、些微视角改变的容忍度也相当高；lbp为一种有效的纹理描述算子，能够度量和提取图像局部的纹理信息，对光照具有不变性。可直接计算两个图像的第二特征之间的相似度。从而可根据局部特征进行图像对比分析，确定出相似图像。
[0077]
在本实施例中，对于一对图像，无论是第一相似度还是第二相似度，只要是大于第一阈值，则这对图像就是相似图像。
[0078]
需要说明的是，本实施例检测相似图像的方法可以用于测试上述各实施例所生成的特征提取模型。进而根据测试结果可以不断地优化特征提取模型。该方法也可以是上述各实施例所生成的特征提取模型的实际应用方法。采用上述各实施例所生成的特征提取模型，来进行相似图像检测，有助于提高相似图像检测的性能。如找到的相似图像较多，找到的相似图像比较准确等。并且由于可以批量的进行图像特征的相似度计算，提高了检测速度。
[0079]
在本实施例的一些可选的实现方式中，基于所述第二特征集合计算所述目标图像
对的第二相似度，包括：基于所述第二特征集合进行特征点匹配得到内点对，根据内点对的分布确定出所述目标图像对的重叠区域；将所述重叠区域对应的所述目标图像对中的图像片段输入所述第一特征提取模型，得到第三特征集合；将所述第三特征集合进行交叉对比，得到所述目标图像对的第二相似度。可根据knn(k-nearestneighbor，k最近邻)等算法进行特征点匹配得到内点对，根据内点对的分布确定出所述目标图像对的重叠区域。然后从重叠区域中截图，只提取重叠区域对应的图像片段的特征。特征提取过程与步骤502相同，为了区分第三次提取的特征，将其命名为第三特征。相似度计算过程与步骤503相同。通过上述步骤得到局部特征的相似度(即第二相似度)作为两张图像的相似度。针对重叠区域进行特征提取，可以减少特征提取过程的计算量，提高检测速度。并且由于是在已经对比过一次全局特征的基础上再次对比局部特征，不会因为忽略一些特征而导致误检。
[0080]
继续参见图6，作为对上述图2所示方法的实现，本公开提供了一种训练特征提取模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0081]
如图6所示，本实施例的训练特征提取模型的装置600可以包括：获取单元601和训练单元602。其中，获取单元601，被配置成获取样本集，其中，所述样本集中的样本包括目标图像、与目标图像相似的正样本以及与目标图像不相似的负样本；训练单元602，被配置成执行以下训练步骤：从所述样本集中选取样本；将选取的样本中的目标图像输入相似图像识别网络的编码器，得到第一特征向量；将正样本和负样本输入相似图像识别网络的动量编码器，得到第二特征向量集合；计算所述第一特征向量和第二特征向量集合中每个第二特征向量的相似度；基于所述相似度计算所述相似图像识别网络的损失值；若所述损失值小于预定阈值，则将所述编码器确定为特征提取模型。
[0082]
在本实施例的一些可选的实现方式中，装置600还包括调整单元603，被配置成：若所述损失值不小于预定阈值，则调整所述相似图像识别网络中的编码器的相关参数和动量编码器的相关参数，继续执行所述训练步骤。
[0083]
在本实施例的一些可选的实现方式中，调整单元603进一步被配置成：通过梯度回传的方式调整所述相似图像识别网络中的编码器的相关参数；通过编码器的相关参数对动量编码器的相关参数进行动量更新。
[0084]
在本实施例的一些可选的实现方式中，获取单元601进一步被配置成：获取原始图像集；对于每张原始图像，从该原始图像中随机裁剪出两个图像片段作为目标图像和正样本，从其它原始图像中随机裁剪出至少一个图像片段作为所述目标图像的负样本。
[0085]
继续参见图7，作为对上述图5所示方法的实现，本公开提供了一种检测相似图像的装置的一个实施例。该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0086]
如图7所示，本实施例的检测相似图像的装置700可以包括：获取单元701、提取单元702、第一对比单元703和确定单元705。其中，获取单元701，被配置成获取待对比的图像集合；提取单元702，被配置成将图像集合输入根据装置600训练得到的第一特征提取模型，得到第一特征集合；第一对比单元703，被配置成将第一特征集合进行交叉对比，得到各图像之间的第一相似度；确定单元705，被配置成将第一相似度大于第一阈值的图像对确定为相似图像。
[0087]
在本实施例的一些可选的实现方式中，装置700还包括第二对比单元704，被配置成：对于第一相似度大于第二阈值且小于等于第一阈值的目标图像对，将目标图像对输入第二特征提取模型，得到第二特征集合，基于第二特征集合计算目标图像对的第二相似度，其中，所述第一特征提取模型用于提取全局特征，所述第二特征提取模型用于提取局部特征；确定单元705进一步被配置成将第二相似度大于第一阈值的图像对确定为相似图像。
[0088]
在本实施例的一些可选的实现方式中，第二对比单元704进一步被配置成：基于第二特征集合进行特征点匹配得到内点对，根据内点对的分布确定出目标图像对的重叠区域；将重叠区域对应的目标图像对中的图像片段输入第一特征提取模型，得到第三特征集合；将第三特征集合进行交叉对比，得到目标图像对的第二相似度。
[0089]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0090]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0091]
一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行流程200或500所述的方法。
[0092]
一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或500所述的方法。
[0093]
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或500所述的方法。
[0094]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0095]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0096]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0097]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，
例如训练特征提取模型的方法或检测相似图像的方法。例如，在一些实施例中，训练特征提取模型的方法或检测相似图像的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram803并由计算单元801执行时，可以执行上文描述的训练特征提取模型的方法或检测相似图像的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练特征提取模型的方法或检测相似图像的方法。
[0098]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0099]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0100]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0101]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0102]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数
字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0103]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0104]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0105]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。