[发明专利]模型训练方法、亲属关系分类方法、检索方法及相关装置

权利要求书

1.一种模型训练方法，其特征在于，用于对预设深度神经网络进行训练，所述预设深度神经网络包括第一特征提取模块、第二特征提取模块、拼接层和全连接模块，所述模型训练方法包括：

获取训练集，所述训练集中的每个训练数据包括第一训练图像、第二训练图像和标注信息，所述第一训练图像和所述第二训练图像对应的标注信息用于指示所述第一训练图像和所述第二训练图像对应的人员是否具有亲属关系；

针对每个所述训练数据，利用所述训练数据的第一训练图像、第二训练图像和所述第一特征提取模块，获取所述第一训练图像对应的第一特征向量和所述第二训练图像对应的第二特征向量；

利用所述训练数据的第一训练图像、第二训练图像和所述第二特征提取模块，获取所述第一训练图像对应的第三特征向量和所述第二训练图像对应的第四特征向量；

将所述第一训练图像对应的第一特征向量、第三特征向量以及所述第二训练图像对应的第二特征向量、第四特征向量输入所述拼接层，得到所述第一训练图像和所述第二训练图像对应的拼接信息；

将所述第一训练图像和所述第二训练图像对应的拼接信息输入所述全连接模块，得到所述第一训练图像和所述第二训练图像对应的预测信息，所述第一训练图像和所述第二训练图像对应的预测信息是所述第一训练图像和所述第二训练图像对应的人员是否具有亲属关系的预测结果；

利用所述第一训练图像和所述第二训练图像对应的预测信息和标注信息，对所述预设深度神经网络进行训练，得到亲属关系分类模型。

2.根据权利要求1所述的模型训练方法，其特征在于，所述第一特征提取模块采用FaceNet网络，所述第二特征提取模块采用VggFace网络。

3.根据权利要求2所述的模型训练方法，其特征在于，所述第二特征提取模块的特征提取网络包括卷积块和标识块，所述利用所述训练数据的第一训练图像、第二训练图像和所述第二特征提取模块，获取所述第一训练图像对应的第三特征向量和所述第二训练图像对应的第四特征向量，包括：

以所述训练数据的第一训练图像和第二训练图像分别作为目标图像，利用所述目标图像和所述卷积块，获取所述目标图像对应的中间特征；

将所述目标图像对应的中间特征输入所述标识块，得到所述目标图像对应的特征向量；

其中，当所述目标图像是所述第一训练图像时，所述目标图像对应的特征向量即所述第一训练图像对应的第三特征向量；当所述目标图像是所述第二训练图像时，所述目标图像对应的特征向量即所述第二训练图像对应的第四特征向量。

4.根据权利要求3所述的模型训练方法，其特征在于，所述卷积块包括输入层、第一分支、第二分支、加法层、激活层和输出层，所述利用所述目标图像和所述卷积块，获取所述目标图像对应的中间特征，包括：

通过所述卷积块的输入层将所述目标图像分别输入所述卷积块的第一分支和第二分支，得到所述目标图像对应的第一分支信息和第二分支信息；

将所述目标图像对应的第一分支信息和第二分支信息输入所述卷积块的加法层，得到所述目标图像对应的第一加法信息；

将所述目标图像对应的第一加法信息输入所述卷积块的激活层，得到所述目标图像对应的中间特征并通过所述卷积块的输出层输出。

5.根据权利要求4所述的模型训练方法，其特征在于，所述目标图像先后通过所述卷积块的第一分支的第一卷积层、第一批标准化层、第一激活层、第二卷积层、第二批标准化层、第二激活层、第三卷积层、第三批标准化层和SE模块，得到所述目标图像对应的第一分支信息；

所述目标图像先后通过所述卷积块的第二分支的卷积层和批标准化层，得到所述目标图像对应的第二分支信息。