[发明专利]模型训练方法、图像特征提取方法、装置及电子设备

权利要求书

1.一种模型训练方法，其特征在于，包括：

使用训练数据对待训练模型进行第一阶段训练，得到第一阶段模型，其中，所述第一阶段训练中使用第一损失函数作为监督信号，所述训练数据为一图像数据集，所述第一损失函数用于训练不同类的图像的特征向量之间的距离；

使用所述训练数据对所述第一阶段模型进行第二阶段训练，得到第二阶段模型，其中，所述第二阶段训练使用所述第一损失函数和第二损失函数作为监督信号，所述第二损失函数用于训练同类图像的特征向量之间的距离；

使用所述训练数据对所述第二阶段模型进行第三阶段训练，得到目标模型，其中，所述第三阶段训练中使用第二损失函数作为监督信号。

2.如权利要求1所述的方法，其特征在于，所述使用训练数据对待训练模型进行第一阶段训练的步骤之前，所述方法还包括：

使用在ImageNet进行预训练的初始模型初始化基础网络模型，得到待训练模型。

3.如权利要求1所述的方法，其特征在于，所述第一损失函数包括softmax loss损失函数，所述使用训练数据对待训练模型进行第一阶段训练，得到第一阶段模型的步骤，包括：

将训练数据输入待训练模型进行计算，得到第一输出值；

使用softmax loss损失函数对所述第一输出值进行计算得到第一损失值；

判断所述第一损失值是否在第一设定区间内；

若是，则完成第一阶段训练，得到第一阶段模型。

4.如权利要求1所述的方法，其特征在于，所述第一损失函数包括softmax loss损失函数，所述第二损失函数包括triplet loss损失函数，所述使用所述训练数据对所述第一阶段模型进行第二阶段训练，得到第二阶段模型的步骤，包括：

将训练数据输入所述第一阶段模型中进行计算，得到第二输出值；

分别使用所述softmax loss损失函数和所述triplet loss损失函数计算所述第二输出值对应的第二损失值组；

使用所述第二损失值组计算得到的第二损失值；

判断所述第二损失值是否在第二设定区间内；

若满足，则完成第二阶段训练，得到第二阶段模型。

5.如权利要求4所述的方法，其特征在于，所述使用所述第二损失值组计算得到的第二损失值的步骤，包括：

对所述第二损失值组中各个损失值进行加权求和得到第二损失值。

6.如权利要求1所述的方法，其特征在于，所述第二损失函数包括triplet loss损失函数，所述使用所述训练数据对所述第二阶段模型进行第三阶段训练，得到目标模型的步骤，包括：

将所述训练数据输入所述第二阶段模型中进行计算，得到第三输出值；

使用所述triplet loss损失函数计算所述第三输出值对应的第三损失值；

判断所述第三损失值是否在第三设定区间内；

若满足，则完成第三阶段训练，得到目标模型。

7.如权利要求1所述的方法，其特征在于，所述待训练模型包括设置在最后一层分类层之前的归一化层，以使所述待训练模型控制输出的特征向量中的每一维中的元素值在0到1之间。

8.如权利要求7所述的方法，其特征在于，所述归一化层通过以下方式实现：

所述归一化层的输入数据表示为：x₁,x₂,x₃...x_i...x_n；

计算输入向量的范数：

输出数据表示为：y₁,y₂,y₃...y_i...y_n；

其中，