[发明专利]特征提取模型训练方法、装置及存储介质

权利要求书

1.一种特征提取模型训练方法，其特征在于，所述方法包括：

对于至少一个样本视频中的每个样本视频，对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，所述至少两个图像用于描述所述对象在时间维度上的变化情况；

将所述包含同一对象的至少两个图像确定为样本图像；

根据所述确定的样本图像和预设损失函数进行训练，得到特征提取模型，以使所述特征提取模型满足所述预设损失函数最小的目标，所述特征提取模型用于提取视频的视频特征；

其中，所述预设损失函数至少包括如下信息熵损失函数：

L_b表示所述信息熵损失函数，u表示所述确定的样本图像的样本特征均值。

2.根据权利要求1所述的方法，其特征在于，所述对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，包括：

对所述样本视频中的第一图像进行检测，确定所述第一图像中包含的第一对象；

在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的第二图像。

3.根据权利要求2所述的方法，其特征在于，所述在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的第二图像，包括：

在除所述第一图像之外的其他图像中跟踪所述第一对象，得到包含所述第一对象的多个其他图像；

从所述多个其他图像中，选取与所述第一图像之间的距离大于预设距离的图像，两个图像之间的距离是指所述两个图像之间间隔的图像数量，或者，从所述多个其他图像中，选取最后一个图像，得到包含所述第一对象的第二图像。

4.根据权利要求1所述的方法，其特征在于，所述预设损失函数还包括距离损失函数和量化损失函数；

所述距离损失函数如下：L_t＝max{(x_a-x_p)+m-(x_a-x_n),0}；

所述量化损失函数如下：

其中，L_t表示所述距离损失函数，x_a表示任一指定样本图像的样本特征，x_p表示与所述指定样本图像标签相同的样本图像的样本特征，x_n表示与所述指定样本图像标签不同的样本图像的样本特征，m表示间隔常数，m大于0；L_q表示所述距离损失函数，x表示任一样本图像的样本特征中的任一数值，x大于0。

5.根据权利要求1所述的方法，其特征在于，所述根据所述确定的样本图像和预设损失函数进行训练，得到特征提取模型之后，所述方法还包括：

获取目标视频中的至少一个图像；

基于所述特征提取模型，对所述至少一个图像进行特征提取，得到所述目标视频的视频特征。

6.根据权利要求5所述的方法，其特征在于，所述基于所述特征提取模型，对所述至少一个图像进行特征提取，得到所述目标视频的视频特征之后，所述方法还包括：

将所述视频特征与所述目标视频的视频信息对应存储于数据库中；或者，

在所述数据库中查询与所述视频特征对应的视频信息，所述数据库用于对应存储每个视频的视频特征与视频信息。

7.一种特征提取模型训练装置，其特征在于，所述装置包括：

图像获取模块，用于对于至少一个样本视频中的每个样本视频，对所述样本视频中的多个图像进行检测，获取包含同一对象的至少两个图像，所述至少两个图像用于描述所述对象在时间维度上的变化情况；

样本确定模块，用于将所述包含同一对象的至少两个图像确定为样本图像；

训练模块，用于根据所述确定的样本图像和预设损失函数进行训练，得到特征提取模型，以使所述特征提取模型满足所述预设损失函数最小的目标，所述特征提取模型用于提取视频的视频特征；

其中，所述预设损失函数至少包括如下信息熵损失函数：

L_b表示所述信息熵损失函数，u表示所述确定的样本图像的样本特征均值。