[发明专利]图像特征提取模型的构建方法、图像检索方法及存储介质

权利要求书

1.一种图像特征提取模型的构建方法，其特征在于，包括：

搭建神经网络模型，其中，所述神经网络模型至少包括第一神经网络以及第二神经网络，所述第一神经网络用于提取图像的图像特征，所述第二神经网络用于对所述第一神经网络提取到的图像特征进行特征嵌入处理，获得所述图像的特征向量；

获取用于训练的图片样本集；

利用所述图片样本集对所述神经网络模型进行训练，得到图像特征提取模型。

2.根据权利要求1所述的图像特征提取模型的构建方法，其特征在于，所述第二神经网络用于对所述第一神经网络提取到的图像特征进行特征嵌入处理，获得所述图像的特征向量，包括：

对所述图像特征中的每个单元进行N次方计算，获得新的图像特征；

对所述新的图像特征进行池化运算，获得池化后的图像特征；

对所述池化后的图像特征中的每个单元进行1/N次方计算，得到所述图像的特征向量；

其中，N为正整数。

3.根据权利要求1所述的图像特征提取模型的构建方法，其特征在于，所述图片样本集中包括不同类别的样本子集，每个样本子集中包括多张图片，且每张图片各自关联有一个标签值，该标签值用于表征该图片属于其所属类别的相似度。

4.根据权利要求3所述的图像特征提取模型的构建方法，其特征在于，利用所述图片样本集对所述神经网络模型进行训练，包括：

将所述图片样本集划分为若干个图片组，每个图片组包括参考样本、正样本以及负样本，其中，所述参考样本和所述正样本为从同一类别的样本子集中选取到的图片，所述负样本为从其它不同类别的样本子集中选取到的图片；

从若干个图片组中选择任意一个图片组作为所述神经网络模型的输入，获得该图片组中各个样本对应的特征向量；

以最小化该图片组中参考样本的特征向量与正样本的特征向量之间的距离，以及最大化该图片组中参考样本的特征向量与负样本的特征向量之间的距离为目标，对所述神经网络模型进行训练。

5.根据权利要求4所述的图像特征提取模型的构建方法，其特征在于，以最小化该图片组中参考样本的特征向量与正样本的特征向量之间的距离，以及最大化该图片组中参考样本的特征向量与负样本的特征向量之间的距离为目标，对所述神经网络模型进行训练，包括：

将该图片组中各个样本对应的特征向量作为AP-loss的输入，获得该图片组对应的loss值；

根据所述图片组中的参考样本对应的标签值与该图片组对应的loss值之间的差值，确定参考样本的表征分数；

对一次迭代过程中获得的所有参考样本的表征分数进行排序，获得排序结果；

对所述排序结果进行平均正确率运算，获得运算结果；

将所述运算结果作为所述神经网络模型的反向传播的输入，对所述神经网络模型中的权重进行更新，以获得所述图像特征提取模型。

6.一种图像检索方法，其特征在于，包括：

获取待检索图像；

将所述待检索图像作为利用如权利要求1至5中任一项所述的图像特征提取模型的构建方法构建的图像特征提取模型的输入，获得所述待检索图像的特征向量；

确定所述待检索图像的特征向量与预设的图片特征库中的图片的特征向量之间的相似度；

根据所述相似度从所述图片特征库中检索出与所述待检索图像相似的图片，得到图像检索结果。

7.根据权利要求6所述的图像检索方法，其特征在于，所述确定所述待检索图像的特征向量与预设的图片特征库中的图片的特征向量之间的相似度，包括：

通过计算所述待检索图像的特征向量与预设的图片特征库中的图片的特征向量之间的欧氏距离或余弦距离来确定相似度。

8.根据权利要求6或7所述的图像检索方法，其特征在于，通过以下步骤构建所述图片特征库，包括：

获取多张图片；

将每张图片分别作为所述图像特征提取模型的输入，获得每张图片所对应的特征向量；

存储每张图片以及该图片所对应的特征向量，以构建所述图片特征库。