[发明专利]一种特征提取模型训练方法、装置及计算机设备

权利要求书

1.一种特征提取模型训练方法，其特征在于，包括如下步骤：

获取特征提取模型的图像训练数据集，所述特征提取模型的图像训练数据集包括：无标签图像训练数据集；

对所述特征提取模型的图像训练数据集中的每一张图像进行裁切，得到图像块集；

对所述图像块集中的每一个图像块进行两次不同的预处理操作，得到图像块对集；

将所述图像块对集输入到第一机器学习模型中进行训练，直到满足预设条件，得到特征提取模型。

2.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型包括：特征提取卷积神经网络和特征预测神经网络，所述特征提取卷积神经网络包括：ResNet、Inception、VGG。

3.根据权利要求2所述的方法，其特征在于，在所述得到特征提取模型之后，所述方法还包括：

获取目标检测模型的图像训练数据集，所述目标检测模型的图像训练数据集包括：有标签图像训练数据集；

将所述有标签图像训练数据集输入到第二机器学习模型中进行训练，得到目标检测模型，所述第二机器学习模型包括所述特征提取模型中的特征提取卷积神经网络。

4.根据权利要求1所述的方法，其特征在于，所述预处理操作至少包括：缩放操作、拉伸操作、裁切操作、亮度调节操作、对比度调节操作、饱和度调节操作、色相调节操作。

5.根据权利要求1所述的方法，其特征在于，所述图像块对集中的图像块对在其对应的图像区域的交并比大于或等于预设阈值。

6.根据权利要求3所述的方法，其特征在于，所述第二机器学习模型还包括：检测神经网络，所述检测神经网络包括：YOLO的检测器、Faster R-CNN的检测器、RFCN的检测器、RetinaNet的检测器、SSD的检测器。

7.根据权利要求2所述的方法，其特征在于，所述预设条件包括：损失值在预设范围内，所述损失值通过如下公式计算得到：

L(I′_aug，I″_aug)＝-P(B(I′_aug))·B(I″_aug)

其中，L(I′_aug，I″_aug)表示损失值；I′_aug和I″_aug表示图像块对；B(I″_aug)表示图像块I″_aug经过特征提取卷积神经网络的输出张量；P(B(I′_aug))表示图像块经过特征提取卷积神经网络和特征预测神经网络的输出张量。

8.一种特征提取模型训练装置，其特征在于，包括：

第一获取模块，用于获取图像训练数据集，所述图像训练数据集包括：无标签图像训练数据集；

裁切模块，用于对所述图像训练数据集中的每一张图像进行裁切，得到图像块集；

预处理模块，用于对所述图像块集中的每一个图像块进行两次不同的预处理操作，得到图像块对集；

第一训练模块，用于将所述图像块对集输入到第一机器学习模型中进行训练，直到满足预设条件，得到特征提取模型。

9.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7任一所述的特征提取模型训练方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的特征提取模型训练方法的步骤。