[发明专利]基于多数据集的特征提取网络的训练及特征提取方法

权利要求书

1.一种基于多数据集的特征提取网络的训练方法，其特征在于，包括：

获取多个样本数据集；

依次将任意两个样本数据集中的所有样本图像输入特征提取网络中，得到与所述样本图像对应的特征集；

对所有所述样本图像对应的特征进行梯度反转，得到与所有所述样本图像对应的梯度反转处理结果；

基于所述梯度反转处理结果，确定所述任意两个样本数据集之间的推土机距离；

根据所述推土机距离对所述特征提取网络进行训练，以得到目标特征提取网络；

其中，所述基于所述梯度反转处理结果，确定所述任意两个样本数据集之间的推土机距离，包括：

将所述样本图像对应的梯度反转处理结果输入预设网络中，得到与各个所述样本数据集对应的输出数据，所述预设网络与所述任意两个样本数据集对应，用于拟合所述任意两个样本数据集之间的推土机距离；

利用各个所述样本数据集对应的输出数据计算所述推土机距离，得到任意两个所述样本数据集之间的推土机距离；

所述根据所述推土机距离对所述特征提取网络进行训练，以得到目标特征提取网络，包括：

获取所述样本图像的特征提取损失；

利用所述推土机距离以及所述特征提取损失，确定特征损失；

基于所述推土机距离确定领域偏移损失；

利用所述特征损失对所述特征提取网络进行训练，同时利用所述领域偏移损失对所述预设网络进行训练，以得到所述目标特征提取网络。

2.根据权利要求1所述的训练方法，其特征在于，所述将所述样本图像对应的梯度反转处理结果输入预设网络中，得到与各个所述样本数据集对应的输出数据，包括：

利用所述预设网络中的至少一个全连接层对所述样本图像对应的梯度反转处理结果进行处理，得到与各个所述样本数据集对应的输出数据。

3.根据权利要求1所述的训练方法，其特征在于，所述基于所述推土机距离确定领域偏移损失，包括：

对所述任意两个样本数据集的每两个样本图像对应的特征进行插值处理，得到插值特征；

将所述插值特征输入所述预设网络中，以得到所述预设网络的输出对所述预设网络的输入的梯度；

利用得到的梯度计算所述任意两个样本数据集之间的梯度惩罚损失；

利用所述推土机距离以及所述梯度惩罚损失，确定所述领域偏移损失。

4.一种特征提取方法，其特征在于，包括：

获取待处理图像；

将所述待处理图像输入目标特征提取网络中，得到目标特征，所述目标特征提取网络是根据权利要求1-3中任一项所述的基于多数据集的特征提取网络的训练方法训练得到的。

5.一种基于多数据集的特征提取网络的训练装置，其特征在于，包括：

第一获取模块，用于获取多个样本数据集；

特征提取模块，用于依次将任意两个样本数据集中的所有样本图像输入特征提取网络中，得到与所述样本图像对应的特征集；

梯度反转模块，用于对所有所述样本图像对应的特征进行梯度反转，得到与所有所述样本图像对应的梯度反转处理结果；

距离确定模块，用于基于所述梯度反转处理结果，确定所述任意两个样本数据集之间的推土机距离；

训练模块，用于根据所述推土机距离对所述特征提取网络进行训练，以得到目标特征提取网络；

其中，所述基于所述梯度反转处理结果，确定所述任意两个样本数据集之间的推土机距离，包括：

将所述样本图像对应的梯度反转处理结果输入预设网络中，得到与各个所述样本数据集对应的输出数据，所述预设网络与所述任意两个样本数据集对应，用于拟合所述任意两个样本数据集之间的推土机距离；

利用各个所述样本数据集对应的输出数据计算所述推土机距离，得到任意两个所述样本数据集之间的推土机距离；

所述根据所述推土机距离对所述特征提取网络进行训练，以得到目标特征提取网络，包括：

获取所述样本图像的特征提取损失；

利用所述推土机距离以及所述特征提取损失，确定特征损失；

基于所述推土机距离确定领域偏移损失；

利用所述特征损失对所述特征提取网络进行训练，同时利用所述领域偏移损失对所述预设网络进行训练，以得到所述目标特征提取网络。