[发明专利]模型生成方法、装置、设备和可读存储介质

权利要求书

1.一种模型生成方法，其特征在于，包括：

获取第一类图像，所述第一类图像的标签信息包括与所述第一类图像表达相同内容的第二类图像；

获取第一神经网络，所述第一神经网络包括初始编码器和初始解码器；

利用所述第一类图像训练所述第一神经网络，得到训练后的第一神经网络中的第一编码器；其中，所述第一类图像的标签信息为训练所述第一神经网络的监督信息；

其中，所述第一编码器用于对待预测图像对中的第一类图像进行编码，以提供所述第一类图像的编码进行所述待预测图像对的相似度评估；

将所述第一类图像输入所述第一编码器，得到第一类编码；

利用所述第二类图像训练第二神经网络，得到训练后的第二神经网络中的第二编码器；

将所述第二类图像输入所述第二编码器，得到第二类编码；

根据所述第一类编码和所述第二类编码，训练第三神经网络，得到编码相似度评估模型；

利用所述第一编码器、所述第二编码器和所述编码相似度评估模型，生成图像相似度评估模型。

2.根据权利要求1所述的方法，其特征在于，在所述利用所述第二类图像训练所述第二神经网络，得到训练后的第二神经网络中的第二编码器之前，所述方法还包括：

获取第二类图像，所述第二类图像的标签信息包括所述第二类图像自身；

获取第二神经网络，所述第二神经网络包括初始编码器和初始解码器；

其中，所述第二编码器用于对所述待预测图像对中的第二类图像进行编码，以利用所述第一编码器的编码结果和所述第二编码器的编码结果进行所述待预测图像对的相似度评估。

3.根据权利要求2所述的方法，其特征在于，其中，

所述初始编码器包括第一卷积层、第一归一化层和第一激活函数层，所述第一卷积层、所述第一归一化层和所述第一激活函数层交替分布；

所述初始解码器包括反卷积层、第二归一化层和第二激活函数层，所述反卷积层、所述第二归一化层和所述第二激活函数层交替分布。

4.根据权利要求2所述的方法，其特征在于，所述初始编码器为变分自编码器。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一类编码和所述第二类编码，训练第三神经网络，包括：

确定编码对和所述编码对的标签信息，所述编码对包括一个第一类编码和一个第二类编码，所述编码对的标签信息用于表示第一类编码和第二类编码是否相似；

根据所述编码对和所述编码对的标签，训练第三神经网络。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一类编码和所述第二类编码，训练第三神经网络，包括：

对所述第一类编码和所述第二类编码均进行预设目标区域的剪切，得到第一类区域编码和第二类区域编码；

对所述第一类编码和所述第二类编码均进行降采样处理，得到第一类降采样编码和第二类降采样编码；

根据所述第一类区域编码、所述第二类区域编码、所述第一类降采样编码和所述第二类降采样编码，训练第三神经网络。

7.根据权利要求6所述的方法，其特征在于，所述第三神经网络包括特征网络和分类网络，所述特征网络包括四个分支，四个所述分支用于输入所述第一类区域编码、所述第二类区域编码、所述第一类降采样编码和所述第二类降采样编码；

四个所述分支的权重不相同，每个所述分支包括预设层数的第二卷积层。

8.根据权利要求7所述的方法，其特征在于，其中，

所述分类网络包括全连接层和归一化层，所述全连接层连接所述归一化层。

9.根据权利要求1-8任一项所述的方法，其特征在于，还包括：

获取待预测图像对，所述待预测图像对包括第一类待预测图像和第二类待预测图像；

将所述第一类待预测图像输入所述第一编码器，得到第一类待预测编码，以提供所述第一类待预测编码进行所述待预测图像对的相似度评估。