[发明专利]一种特征提取模型训练方法、装置及计算机设备

说明书

本发明公开了一种特征提取模型训练方法、装置及计算机设备，该方法包括如下步骤：获取特征提取模型的图像训练数据集，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。本发明通过对裁切后的图像块进行两次不同的预处理操作，将得到的图像块对集输入到第一机器学习模型中进行训练，直接学习目标图像块的特征，能够适应样本图像分辨率高、图像内容较为复杂的条件，提高特征提取模型的性能。

技术领域

本发明涉及人工智能技术领域，具体涉及一种特征提取模型训练方法、装置及计算机设备。

背景技术

图像目标检测任务的深度神经网络模型往往需要大量的标注样本进行有监督训练得到，但是对海量的数据进行标记需要花费大量的时间和资源。而无监督对比学习训练神经网络模型时不需要依赖数据标签，可以自动发现数据集中潜在的结构，节省了大量时间以及硬件资源。因此对无监督对比学习算法的投入与研究越来越多。

无监督对比学习是利用无标签图像样本训练用于图像特征提取的骨干神经网络的技术，神经网络的无监督对比学习的训练过程中，通常会对图像进行两次不同的预处理(例如，缩放、拉伸等)，通过学习不同变换下同一图像的一致性来提升神经网络的特征提取能力，然而常规的无监督对比学习方法强调要学习不同尺度的共同特征，但是没有考虑在高分辨率图像下进行两次不同的裁切可能会造成得到的两个图像块的关联性不强。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中无监督对比学习难以适用于样本分辨率较高的目标特征提取任务中的缺陷，从而提供一种特征提取模型训练方法、装置及计算机设备。

根据第一方面，本发明公开了一种特征提取模型训练方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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)