[发明专利]模型训练方法、装置、设备、存储介质及程序产品

权利要求书

1.一种模型训练方法，包括：

获取样本图像集，其中，所述样本图像集包括已标注标签的样本图像；

将所述样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的所述样本图像集中的样本图像对应的第一特征集，其中，所述第一模型为训练好的教师模型；

基于所述第一特征集，确定所述第一特征集对应的第一正样本特征集和所述第一特征集对应的第一负样本特征集，生成表征所述第一正样本特征集和所述第一负样本特征集的所述第一模型的样本特征对；

将所述样本图像集中的样本图像作为输入，将与输入的所述样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，所述第二模型为待训练的学生模型，所述第二模型的损失函数基于所述第一模型的样本特征对和所述第二模型的样本特征对而构建，所述第二模型的样本特征对用于表征所述第二特征集中的正样本特征集和所述第二特征集中的负样本特征集。

2.根据权利要求1所述的方法，其中，所述基于所述第一特征集，确定所述第一特征集对应的第一正样本特征集和所述第一特征集对应的第一负样本特征集，生成表征所述第一正样本特征集和所述第一负样本特征集的所述第一模型的样本特征对，包括：

基于所述第一特征集，对输入的所述样本图像集中的样本图像进行样本划分，得到所述样本图像集中的样本图像对应的第一正样本集和所述样本图像集中的样本图像对应的第一负样本集；

根据所述第一正样本集和所述第一负样本集，对所述第一特征集进行选取，得到所述第一正样本集对应的第一正样本特征集和所述第一负样本集对应的第一负样本特征集；

合并所述第一正样本特征集和所述第一负样本特征集，生成表征所述第一正样本特征集和所述第一负样本特征集的所述第一模型的样本特征对。

3.根据权利要求2所述的方法，其中，所述基于所述第一特征集，对输入的所述样本图像集中的样本图像进行样本划分，得到所述样本图像集中的样本图像对应的第一正样本集和所述样本图像集中的样本图像对应的第一负样本集，包括：

对所述第一特征集进行分析，生成所述第一特征集对应的相似度矩阵；

根据所述相似度矩阵和相似度阈值，对输入的所述样本图像集中的样本图像进行样本划分，得到所述样本图像集中的样本图像对应的第一正样本集和所述样本图像集中的样本图像对应的第一负样本集，所述正样本集表征所述相似度矩阵中相似度值大于相似度阈值的样本，所述负样本集表征所述相似度矩阵中相似度值不大于相似度阈值的样本。

4.根据权利要求1-3之一所述的方法，其中，所述将输入的所述样本图像集中的样本图像对应的作为输入，将与输入的所述样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，包括：

将所述样本图像集中的样本图像输入至所述第二模型，得到与输入的所述样本图像集中的样本图像对应的第二特征集；

基于所述第二特征集，确定所述第二特征集对应的第二正样本特征集和所述第二特征集对应的第二负样本特征集，生成表征所述第二正样本特征集和所述第二负样本特征集的所述第二模型的样本特征对；

基于所述第一模型的样本特征对和所述第二模型的样本特征对，计算损失函数；

基于梯度下降对所述损失函数进行反向传播，更新所述第二模型的参数。

5.根据权利要求4所述的方法，其中，所述基于所述第二特征集，确定所述第二特征集对应的第二正样本特征集和所述第二特征集对应的第二负样本特征集，生成表征所述第二正样本特征集和所述第二负样本特征集的所述第二模型的样本特征对，包括：

基于所述第二特征集，对输入的所述样本图像集中的样本图像进行样本划分，得到所述样本图像集中的样本图像对应的第二正样本集和所述样本图像集中的样本图像对应的第二负样本集；

根据所述第二正样本集和所述第二负样本集，对所述第二特征集进行选取，得到所述第二正样本集对应的第二正样本特征集和所述第二负样本集对应的第二负样本特征集；

合并所述第二正样本特征集和所述第二负样本特征集，生成表征所述第二正样本特征集和所述第二负样本特征集的所述第二模型的样本特征对。