[发明专利]模型生成的方法、装置、电子设备及介质

说明书

本申请公开了一种模型生成的方法、装置、电子设备及介质。其中，通过应用本申请的技术方案，可以根据多个对样本图像进行不同处理后得到的向量差值来训练生成新的图像检测模型。因此该模型相较于现有技术中直接利用样本图像训练得到的普通模型相比，能够适应各种类型的待识别图像，进而增加图像特征提取的精准度。

技术领域

本申请中涉及图像处理的技术，尤其是一种模型生成的方法、装置、电子设备及介质。

背景技术

由于通信时代和社会的兴起，图像处理技术已经随着越来越多用户在浏览图像而不断发展。

进一步的，通过计算机设备来处理各种复杂问题或者和人们进行互动已变得越来越频繁。例如，可以通过计算机设备来帮助人们整理或识别图像。其中，图片相似度对比是相似图片搜索等服务的基础，例如对以图搜图的服务来说，相关技术中通常是利用神经网络模型来对待识别图像进行特征提取，从而得到图片像素特征差异等信息，并从中找到差异最小的图片。

然而，相关技术中在对图像进行特征识别的过程中，通常会出现图像识别精度不够的问题，从而影响了用户体验。

发明内容

本申请实施例提供一种模型生成的方法、装置、电子设备及介质，本申请实施例用于解决相关技术中存在的需要人工从开发代码中获取图像参数而导致的效率慢的问题。

其中，根据本申请实施例的一个方面，提供的一种模型生成的方法，其特征在于，包括：

获取第一图像检测模型，所述第一图像检测模型包含第一输入通道以及第二输入通道，所述第一输入通道用于输入原始样本图像，所述第二输入通道用于输入经过预设处理后的所述原始样本图像；

将所述原始样本图像输入至第一输入通道，得到第一维度特征，以及，将所述经过预设处理后的原始样本图像输入至第二输入通道，得到第二维度特征；

计算所述第一维度特征与所述第二维度特征的向量差值，并基于所述向量差值，得到第二图像检测模型；

利用所述第二图像检测模型对待识别图像进行特征识别，得到对应的图像特征。

可选地，在基于本申请上述方法的另一个实施例中，所述基于所述向量差值，得到第二图像检测模型，包括：

将所述向量差值作为损失函数，并利用该损失函数以及多张样本图像对空白的神经网络模型进行训练，直至得到训练收敛的所述第二图像检测模型。

可选地，在基于本申请上述方法的另一个实施例中，所述第一图像检测模型中的所述第一通道与所述第二通道的卷积层和池化层采用相同的卷积核参数。

可选地，在基于本申请上述方法的另一个实施例中，所述将所述经过预设处理后的原始样本图像输入至第二输入通道，得到第二维度特征，包括：

获取所述经过预设处理后的所述原始样本图像；

对所述经过预设处理后的所述原始样本图像添加随机的噪声值后，再输入至所述第二输入通道的卷积层，得到所述第二维度特征。

可选地，在基于本申请上述方法的另一个实施例中，所述将所述原始样本图像输入至第一输入通道，得到第一维度特征，包括：

检测所述原始样本图像的像素格式；

确定将所述原始样本图像的像素格式其压缩为256*25的格式后输入至所述第一通道中，得到所述第一维度特征。

可选地，在基于本申请上述方法的另一个实施例中，所述利用所述第二图像检测模型对待识别图像进行特征识别，得到对应的图像特征，包括：

将多个待识别图像输入至所述第二图像检测模型的多层卷积层，得到对应于1024维度的目标特征向量；