模型训练方法、图像检索方法、设备及计算机可读介质与流程

本申请涉及图像检索领域，尤其涉及一种模型训练方法、图像检索方法、设备及计算机可读介质。

背景技术：

1、本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就被认为是现有技术。

2、随着信息技术与互联网的发展，图像作为一种二维视觉数据，以其信息表达的直观优势得到越来越广泛的使用和传播，实际应用中较常规的图像检索方法为基于查询图像内容从海量的图像数据库中检索到与查询图像表达内容相同的目标图像。目前在图像处理相关技术领域，常用通过提取查询图像和目标图像的高维特征向量的方式来计算查询图像和目标图像的相似度，从而确定与查询图像表达内容相同的目标图像。

3、但是，现有的高维特征向量提取模型的高维特征学习能力有限，尤其是对于在互联网中占比较大的纹理图或抽象图等无语义图像，现有的高维特征向量无法深层次的挖掘图像的高维特征向量，从而无法在海量的图像数据中精准、快速地图像检索出与查询图像内容相同的目标图像。

技术实现思路

1、本申请的多个方面提供一种模型训练方法方法、图像检索方法、设备及计算机可读存储介质，用以解决现有技术中在提取图像的特征向量时精准性不高的问题。

2、本申请的一方面，提供一种用于图像检索的模型训练方法，包括：

3、获取当前训练轮次中目标图像数据集的图像序列，所述图像序列至少为二，每一所述图像序列包括至少两张第一图像，任两张所述第一图像互为正样本；

4、将所述第一图像输入神经网络模型，获取所述第一图像的特征向量；

5、获取除当前训练轮次外的其他训练轮次的第一图像的特征向量；

6、确定当前训练轮次中任一所述第一图像为查询图像，遍历计算当前训练轮次中任一第一图像与所述查询图像之间的高维特征向量的相似度，和，其他训练轮次中任一第一图像与所述查询图像之间的高维特征向量的相似度，确定所述神经网络模型的损失值；

7、将所述目标图像数据集作为训练样本，对所述神经网络模型进行训练，直至所述神经网络模型的损失值逼近于第一预设值。

8、本申请的另一方面，提供一种图像检索方法，包括：

9、获取查询图像，将所述查询图像输入所述神经网络模型获取所述查询图像的高维特征向量；

10、获取多个待检索图像，将任一所述待检索图像输入所述神经网络模型获取所述待检索图像的高维特征向量；

11、分别计算查询图像与任一所述待检索图像之间的高维特征向量的相似度；

12、从待检索图像中检索出相似度较高的至少一个目标图像。

13、本申请的另一方面，提供一种用于图像检索的模型训练设备，所述设备包括：

14、数据获取模块，用于获取当前训练轮次中目标图像数据集的图像序列，所述图像序列至少为二，每一所述图像序列包括至少两张第一图像，任两张所述第一图像互为正样本；以及当前训练轮次前的其他训练轮次的第一图像的高维特征向量；

15、特征提取模块，用于对所述第一图像进行特征提取，获取第一图像的高维特征向量；

16、模型训练模块，用于确定当前训练轮次中任一所述第一图像为查询图像，遍历计算当前训练轮次中任一第一图像与所述查询图像之间的高维特征向量的相似度，和，其他训练轮次中任一所述第一图像与所述查询图像之间的高维特征向量的相似度，确定所述神经网络模型的损失值；以及将所述目标图像数据集作为训练样本，对所述神经网络模型进行训练，直至所述神经网络模型的损失值逼近于第一预设值。

17、本申请的另一方面，提供一种图像检索设备，所述设备包括：

18、特征提取模块，用于获取查询图像，将所述查询图像输入所述神经网络模型获取所述查询图像的高维特征向量；以及获取多个待检索图像，将任一所述待检索图像输入所述神经网络模型获取所述待检索图像的高维特征向量；

19、计算模块，用于分别计算查询图像与任一所述待检索图像之间的高维特征向量的相似度；

20、检索模块，用于从待检索图像中检索出相似度较高的至少一个目标图像。

21、本申请的又一方面，提供一种电子设备，所述电子设备包括：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如上所述模型训练方法和或图像检索方法。

22、本申请的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现所述模型训练方法和图像检索方法。

23、本申请实施例提供的方案中，在进行模型训练时，获取当前训练轮次中目标图像数据集的图像序列，所述图像序列至少为二，每一所述图像序列包括至少两张第一图像，任两张所述第一图像互为正样本；将所述第一图像输入神经网络模型，获取所述第一图像的特征向量；获取除当前训练轮次外的其他训练轮次的第一图像的特征向量；确定当前训练轮次中任一所述第一图像为查询图像，遍历计算当前训练轮次中任一第一图像与所述查询图像之间的高维特征向量的相似度，和，其他训练轮次中任一第一图像与所述查询图像之间的高维特征向量的相似度，确定所述神经网络模型的损失值；将所述目标图像数据集作为训练样本，对所述神经网络模型进行训练，直至所述神经网络模型的损失值逼近于第一预设值。上述方法训练得到的神经网络模型可以提升模型提取图像的高维特征向量的精准性，进而实现能够基于查询图像从海量的图像数据中精准、快速地检索出与查询图像相似度最高的目标图像；从而能够有效避免同类或相似图像的误召、对图像清晰、噪声、色彩、偏移和旋转等变换鲁棒，适用于互联网参差复杂的图像数据，且同样适用于纹理、抽象等无语义图像的图像特征提取。

技术特征：

1.一种用于图像检索的模型训练方法，其中，所述方法包括：

2.根据权利要求1所述的模型训练方法，其中，所述方法还包括：

3.根据权利要求2所述的模型训练方法，其中，

4.根据权利要求3所述的模型训练方法，其中，

5.根据权利要求3或4所述的模型训练方法，其中，

6.根据权利要求2或4所述的模型训练方法，其中，

7.根据权利要求6所述的模型训练方法，其中，

8.根据权利要求7所述的模型训练方法，其中，

9.根据权利要求1所述的模型训练方法，其中，将所述第一图像输入神经网络模型，获取所述第一图像的高维特征向量后，所述方法还包括：缓存当前训练轮次中第一图像的高维特征向量。

10.根据权利要求1或8所述的模型训练方法，其中，

11.根据权利要求10所述的模型训练方法，其中，

12.一种图像检索方法，其中，

13.一种用于图像检索的模型训练设备，其中，

14.一种图像检索设备，其中，所述设备使用权利要求1至11任一项所述方法所训练完成的神经网络模型，所述设备包括：

15.一种电子设备，所述电子设备包括：

16.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1至12中任一项所述的方法。

技术总结
本申请提供了一种模型训练方法、图像检索方法及设备，该申请可以获取当前训练轮次中目标图像数据集的图像序列，每一图像序列包括两张第一图像；将第一图像输入神经网络模型，获取第一图像的特征向量及除当前训练轮次外的其他训练轮次的第一图像的特征向量；确定当前训练轮次中任一第一图像为查询图像，计算当前训练轮次中任一第一图像与查询图像之间的特征向量的相似度，和，其他训练轮次中任一第一图像与查询图像之间的特征向量的相似度，确定神经网络模型的损失值；将目标图像数据集作为训练样本，对神经网络模型进行训练，直至神经网络模型的损失值逼近于第一预设值。上述方法训练得到的神经网络模型提升模型提取图像的特征向量的精准性。

技术研发人员：周健
受保护的技术使用者：上海哔哩哔哩科技有限公司
技术研发日：
技术公布日：2024/2/8