[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

说明书

本发明公开了一种图像特征提取模型的构建方法、图像检索方法及存储介质，涉及人工智能技术领域，该方法包括：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。本发明的有益效果是：通过利用增强的神经网络结构和改进的损失函数对神经网络模型进行训练，使得图像特征提取模型能够更好地提取到主体目标降低背景信息的影响权重的图像特征，从而提高检索的准确率。

技术领域

本发明属于人工智能技术领域，尤其涉及一种图像特征提取模型的构建方法、图像检索方法及存储介质。

背景技术

随着互联网技术的深入发展，基于图像内容检索的需求不断增加，如购物平台上的商品检索。但是，现有图像检索技术中，往往通过传统人工设计特征进行匹配，如hash特征。这种方法无法满足复杂场景需求，导致准确度不高。而简单使用卷积神经网络提取特征又无法使类内间隔更紧凑，不利于图像特征的表征，图像特征的提取时间与图像检索所需的时间较多。

发明内容

本发明正是基于现有技术仅简单使用卷积神经网络提取特征又无法使类内间隔更紧凑，不利于图像特征提取，从而导致图像特征提取以及图像检索需要花费较多时间的技术问题，提出了一种图像特征提取模型的构建方法、图像检索方法及存储介质。

第一方面，本发明实施例提供了一种图像特征提取模型的构建方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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；