[发明专利]图像检索方法、装置、存储介质及设备

权利要求书

1.一种图像检索方法，其特征在于，所述方法包括：

获取待匹配图像，按照第一特征提取方式对所述待匹配图像进行特征提取，得到第一特征，所述第一特征提取方式为基于深度学习的提取方式；

基于所述待匹配图像的第一特征，确定与所述待匹配图像匹配的至少一个候选图像，按照第二特征提取方式对所述待匹配图像和各个候选图像进行特征提取，得到第二特征，所述第二特征提取方式为基于非深度学习的提取方式；

基于提取到的第二特征，将所述待匹配图像依次与各个候选图像进行关键点匹配处理，将所述至少一个候选图像中的第一图像确定为图像检索结果，所述第一图像与所述待匹配图像之间匹配的关键点数量大于数量阈值。

2.根据权利要求1所述的方法，其特征在于，所述按照第一特征提取方式对所述待匹配图像进行特征提取，包括：

基于深度学习模型对所述待匹配图像进行特征提取，所述深度学习模型是基于第一训练数据集和第二训练数据集训练得到的；

其中，所述第一训练数据集为具有标签的数据集，所述第二训练数据集为未设置标签的数据集。

3.根据权利要求2所述的方法，其特征在于，所述深度学习模型包括卷积神经网络、聚类分支和分类分支，所述深度学习模型的训练过程，包括：

将所述第一训练数据集和所述第二训练数据集中包括的样本图像输入至所述卷积神经网络；

调用所述聚类分支的聚类模型，迭代地对所述卷积神经网络输出的特征数据进行聚类，将得到的聚类结果作为伪标签输出至所述分类分支；

调用所述分类分支的分类器，获取基于所述伪标签的损失值，根据所述损失值迭代地更新所述卷积神经网络的权重。

4.根据权利要求3所述的方法，其特征在于，所述获取基于所述伪标签的损失值，包括：

将所述伪标签、所述卷积神经网络输出的特征数据、以及所述分类器对所述卷积神经网络输出的特征数据的分类结果，作为基于所述伪标签的损失值。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取相邻两轮聚类结果的标准互信息，所述标准互信息指示了所述深度学习模型的稳定性，所述标准互信息的取值越大表明所述深度学习模型越接近收敛状态；

根据所述标准互信息确定所述深度学习模型的收敛状态，在所述深度学习模型达到收敛状态后终止模型训练过程，其中，所述深度学习模型的收敛条件为所述标准互信息的取值达到一个稳定数值。

6.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述基于所述待匹配图像的深度学习特征，确定与所述待匹配图像匹配的至少一个候选图像，包括：

获取所述待匹配图像的第一特征与特征数据库中存储的第一特征之间的特征距离，按照特征距离由大到小的顺序，对与存储的第一特征对应的检索图像进行排序；

将排序在前指定数目个的检索图像，确定为所述至少一个候选图像。

7.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述对各个候选图像进行第二特征提取，包括：

获取各个候选图像的第一特征；分别获取各个候选图像的第一特征与所述待匹配图像的第一特征之间的特征距离，对所述至少一个候选图像中的第二图像进行第二特征提取；

其中，所述第二图像与所述待匹配图像之间的特征距离小于第一距离阈值。

8.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述获取待匹配的待匹配图像，包括：

接收终端发送的图像检索请求，从所述图像检索请求中获取所述待匹配图像；

在得到所述图像检索结果之后，所述方法还包括：将所述图像检索结果返回给所述终端。