[发明专利]特征提取模型的训练方法、信息推荐方法、装置和设备

权利要求书

1.一种特征提取模型的训练方法，其特征在于，包括：

基于第一训练图像集对待训练的第一模型进行训练，所述第一模型包括级联的第一特征提取模块和第二特征提取模块，所述第一特征提取模块包括级联的点卷积模块和深度卷积模块；

利用特征映射模块替换训练后的第一模型中的第二特征提取模块，得到第二模型；

通过所述第一训练图像集对所述第二模型进行训练，将训练后的第二模型中的第一特征提取模块的点卷积模块和深度卷积模块进行融合，并将融合后的第二模型确定为目标模型。

2.根据权利要求1所述的方法，其特征在于，所述第一训练图像集包括不同场景类型对应的图像；所述基于第一训练图像集对待训练的第一模型进行训练，包括：

将所述不同场景类型对应的图像输入至所述第一模型，得到所述图像的分类结果；

根据所述图像的分类结果和图像标签确定损失函数，并利用所述损失函数对所述第一模型的参数进行调整，得到训练后的第一模型。

3.根据权利要求1所述的方法，其特征在于，所述通过所述第一训练图像集对所述第二模型进行训练，将训练后的第二模型中的第一特征提取模块的点卷积模块和深度卷积模块进行融合，并将融合后的第二模型确定为目标模型，包括：

利用所述第二模型中的第一特征提取模块对所述第一训练图像集中图像进行特征提取，得到包含多个特征向量的特征图；

利用所述第二模型中的特征映射模块对所述特征图进行特征映射处理，得到每一所述特征向量对应的特征权重，并基于所述特征权重从所述多个特征向量中确定出目标特征向量；

基于所述目标特征向量对所述第二模型的参数进行调整，得到所述训练后的第二模型；

将所述训练后的第二模型中的第一特征提取模块的点卷积模块和深度卷积模块进行融合，并将融合后的第二模型确定为目标模型。

4.根据权利要求3所述的方法，其特征在于，所述点卷积模块包括多个并列的第一点卷积模块，每一所述第一点卷积模块包括级联的第一卷积层和批归一化层；所述深度卷积模块包括多个并列的第一深度卷积模块，每一所述第一深度卷积模块包括级联的第二卷积层和批归一化层；

所述将训练后的第二模型中的第一特征提取模块的点卷积模块和深度卷积模块进行融合，并将包含融合结果的第二模型确定为目标模型，包括：

将所述训练后的第二模型的点卷积模块中的具有级联关系的第一卷积层和批归一化层分别进行融合，得到多个并列的第二点卷积模块；

将所述深度卷积模块中具有级联关系的第二卷积层和批归一化层分别进行融合，得到多个并列的第二深度卷积模块；

对所述多个并列的第二点卷积模块进行合并操作得到第三点卷积模块，并对所述多个并列的第二深度卷积模块进行合并操作得到第三深度卷积模块；

通过对所述第三点卷积模块和所述第三深度卷积模块的重参数化操作，将所述第三点卷积模块和所述第三深度卷积模块融合为目标卷积模块；

将包含所述目标卷积模块的第二模型确定为所述目标模型。

5.根据权利要求4所述的方法，其特征在于，将具有级联关系的卷积层和批归一化层进行融合操作的过程包括：

对所述卷积层的每一卷积核，采用对应的所述批归一化层的模型学习参数对所述每一卷积核以及所述每一卷积核的偏置进行重参数化处理操作，以将所述具有级联关系的卷积层和批归一化层重参数化为一个卷积模块；

其中，所述批归一化层的模型学习参数是通过训练所述第二模型时学习获得。

6.根据权利要求4所述的方法，其特征在于，将多个并列的卷积模块进行合并的操作过程包括：

将所述多个并列的卷积模块的卷积核的参数进行融合。

7.根据权利要求4所述的方法，其特征在于，若所述第三点卷积模块的卷积核对应维度小于所述第三深度卷积模块的卷积核对应维度；所述通过对所述第三点卷积模块和所述第三深度卷积模块的重参数化操作，将所述第三点卷积模块和所述第三深度卷积模块融合为目标卷积模块，包括：

获取所述第三点卷积模块的卷积核的转置结果；

将所述转置结果与所述第三深度卷积模块对应卷积核进行合并，获得所述目标卷积模块。