[发明专利]特征模型训练方法、装置、设备及存储介质

说明书

本发明实施例公开了一种特征模型训练方法、装置、设备及存储介质，涉及度量学习技术领域，其包括：获取训练数据集，所述训练数据集中每个样本对应一个标签，所述标签用于标识对应样本所属的类别；将训练数据集输入至神经网络模型，以得到每个样本的特征向量；根据训练数据集中各样本对应的特征向量以及所属的类别，构建类内损失函数和类间损失函数；根据类内损失函数和类间损失函数确定神经网络模型的损失函数；对包含损失函数的神经网络模型进行训练，直到损失函数收敛为止。采用上述方案可以解决现有技术中卷积神经网络无法扩大不同类别的样本之间特征向量的距离导致无法对不同类别的样本进行有效区分的技术问题。

技术领域

本发明实施例涉及度量学习技术领域，尤其涉及一种特征模型训练方法、装置、设备及存储介质。

背景技术

度量学习也可以理解为相似度学习，其目的是使相同类别的样本之间相似度高，不同类别的样本之间相似度低。随着深度学习的发展，可以通过卷积神经网络的方式实现度量学习。现有技术中，卷积神经网络在处理过程中会得到各样本的特征向量，并将同一类别下的特征向量聚集在一起，即同类样本的特征向量之间的距离较近。但是，对于不同类别的样本而言，卷积神经网络无法扩大不同类别的样本之间特征向量的距离，这样会出现卷积神经网络中不同类别的样本之间特征向量距离较近，进而基于特征向量无法对不同类别的样本进行有效区分，即影响度量学习的学习效果。

发明内容

本发明提供了一种特征模型训练方法、装置、设备及存储介质，以解决现有技术中卷积神经网络无法扩大不同类别的样本之间特征向量的距离导致无法对不同类别的样本进行有效区分的技术问题。

第一方面，本发明实施例提供了一种特征模型训练方法，包括：

获取训练数据集，所述训练数据集中每个样本对应一个标签，所述标签用于标识对应样本所属的类别；

将所述训练数据集输入至神经网络模型，以得到每个所述样本的特征向量；

根据所述训练数据集中各样本对应的特征向量以及所属的类别，构建类内损失函数和类间损失函数；

根据所述类内损失函数和所述类间损失函数确定所述神经网络模型的损失函数；

对包含所述损失函数的所述神经网络模型进行训练，直到所述损失函数收敛为止。

进一步的，所述根据所述训练数据集中各样本对应的特征向量以及所属的类别，构建类内损失函数和类间损失函数包括：

获取所述神经网络模型中全连接层的权重参数矩阵，所述权重参数矩阵中第p列的权重参数表示第p个类别对应的权重参数向量；

根据所述权重参数矩阵确定各类别对应的簇中心；

根据各所述簇中心以及各所述类别下的特征向量确定类内损失函数；

根据各所述簇中心确定类间损失函数。

进一步的，所述根据各所述簇中心以及各所述类别下的特征向量确定类内损失函数包括：

根据特征向量所属的类别确定可学习角度；

根据所述特征向量、目标簇中心和所述可学习角度确定所述特征向量与所述目标簇中心之间的第一类内距离，所述目标簇中心为所述特征向量所属类别对应的簇中心，每个特征向量对应一个第一类内距离；

根据所述特征向量和其他簇中心确定所述特征向量和所述其他簇中心之间的第二类内距离，所述其他簇中心为全部簇中心中除去相应目标簇中心外的簇中心，每个特征向量对应一组其他簇中心，每个其他簇中心对应一个第二类内距离；

根据全部类别的可学习角度确定惩罚项；

根据第一类内距离、第二类内距离以及所述惩罚项确定类内损失函数。