CN110765943A - 网络训练、识别方法及装置、电子设备和存储介质 - Google Patents
网络训练、识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110765943A CN110765943A CN201911012578.8A CN201911012578A CN110765943A CN 110765943 A CN110765943 A CN 110765943A CN 201911012578 A CN201911012578 A CN 201911012578A CN 110765943 A CN110765943 A CN 110765943A
- Authority
- CN
- China
- Prior art keywords
- features
- picture
- target sample
- positive
- sample picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 title claims abstract description 82
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种网络训练、识别方法及装置、电子设备和存储介质，所述网络训练方法包括：采用待训练的特征提取网络，提取目标样本图片的特征；获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；基于所述损失函数值更新所述特征提取网络的参数。本公开实施例可节省计算资源。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种网络训练、识别方法及装置、电子设备和存储介质。
背景技术
随着深度学习的推广，人脸识别技术得到很大的提升。相关技术中，人脸识别技术需要依靠在人脸数据集上进行训练以获得一个能够提取强判别特征的模型。在训练一个人脸特征提取网络的过程中，随着训练过程中采用的人脸数据集的规模不断增大，所需要的计算资源也会线性增长。人脸数据集经常会涉及超过百万级的个体数，这使得训练一个人脸识别的模型所需要的资源大大增长，尤其是显存等相对价值高的计算资源。
发明内容
本公开提出了一种网络训练、识别方法及装置、电子设备和存储介质。
根据本公开的第一方面，提供了一种网络训练方法，包括：
采用待训练的特征提取网络，提取目标样本图片的特征；
获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；
根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；
基于所述损失函数值更新所述特征提取网络的参数。
结合第一方面，在一种可能的实现方式中，获取所述目标样本图片对应的正特征和负特征，包括：
将第一特征集合中对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征；
将第二特征集合中对应标签与所述目标样本图片的标签不同的特征，确定为所述目标样本图片对应的负特征。
从第一特征集合和第二特征集合中分别获取正特征和负特征，可以使得每个目标样本图片均存在能够代表其对应标签特征的正特征，以及每个目标样本图片可以选取到所有可能的负特征。
结合第一方面，在一种可能的实现方式中，样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，所述方法还包括：
采用所述待训练的特征提取网络，提取所述样本集合中的每个所述样本图片的特征；
根据所提取的特征，确定每个标签对应的标签特征；
基于所有标签对应的标签特征，构建所述第一特征集合。
通过基于样本集合中所有标签对应的标签特征构建第一特征集合，可以使得第一特征集合中，每个标签有且仅有一个标签特征。
结合第一方面，在一种可能的实现方式中，根据所提取的特征，确定每个标签对应的标签特征，包括：
在标签对应一个样本图片的情况下，将所述标签对应的样本图片的特征确定为所述标签对应的标签特征；
和/或，
在标签对应多个样本图片的情况下，将所述标签对应的多个样本图片的特征的平均量确定为所述标签的标签特征。
这样，可以使得每个标签都存在一个标签特征。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
从所提取的特征中选取指定数量的特征，构建所述第二特征集合。
这样，使得第二特征集合中可以包括多个标签对应样本图片的特征。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
基于所述目标样本图片的特征以及所述目标样本图片对应的正特征，更新所述第一特征集合。
这样，可以提升第一特征集合中标签特征与标签对应类别的真实特征的相似度，从而在后续训练迭代过程中提取到的正特征更加贴近标签对应类别的真实特征。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
将所述目标样本图片的特征添加至所述第二特征集合。
这样，可以丰富第二特征集合中的特征，从而在后续训练迭代过程中提供尽可能多的负特征。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
删除所述第二特征集合中存储时间大于第一阈值的特征。
这样，可以节省计算资源。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
确定所述第二特征集合中对应标签与所述目标样本图片的标签不同的特征完成了一次训练迭代；
删除所述第二特征集合中训练迭代次数超过第二阈值的特征。
这样，可以节省计算资源。
结合第一方面，在一种可能的实现方式中，所述方法还包括：
在所述第二特征集合中特征的数量大于第三阈值时，从所述第二特征集合中删除特征，使得所述第二特征集合中特征的数量小于或者等于第三阈值。
这样，可以节省计算资源。
结合第一方面，在一种可能的实现方式中，从所述第二集合中删除特征包括：
获取所述第二特征集合中各特征对应的损失函数值；
按照所述损失函数值由小到大的顺序依次删除所述第二特征集合中的特征，直至所述第二特征集合中特征的数量小于或者等于第三阈值。
这样，可以节省计算资源。
根据本公开的第二方面，提供了识别方法，包括：
采用特征提取网络，提取测试图片的特征；
根据所述测试图片的特征确定所述测试图片对应的标签；
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
根据本公开的第三方面，提供了一种网络训练装置，包括：
第一提取模块，用于采用待训练的特征提取网络，提取目标样本图片的特征；
获取模块，用于获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；
第一确定模块，用于根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；
第一更新模块，用于基于所述损失函数值更新所述特征提取网络的参数。
结合第三方面，在一种可能的实现方式中，所述获取模块还用于：
将第一特征集合中对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征；
将第二特征集合中对应标签与所述目标样本图片的标签不同的特征，确定为所述样本图片对应的负特征。
结合第三方面，在一种可能的实现方式中，样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，，所述装置还包括：
第二提取模块，用于采用所述待训练的特征提取网络，提取所述样本集合中的每一张所述样本图片的特征；
第二确定模块，用于根据所提取的特征，确定每个标签对应的标签特征；
第一构建模块，用于基于所有标签对应的标签特征，构建所述第一特征集合。
结合第三方面，在一种可能的实现方式中，所述第二确定模块还用于：
在标签对应一个样本图片的情况下，将所述标签对应的样本图片的特征确定为所述标签对应的标签特征；
和/或，
在标签对应多个样本图片的情况下，将所述标签对应的多个样本图片的特征的平均量确定为所述标签的标签特征。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
第二构建模块，用于从所提取的特征中选取指定数量的特征，构建所述第二特征集合。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
第二更新模块，用于基于所述目标样本图片的特征以及所述目标样本图片对应的正特征，更新所述第一特征集合。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
添加模块，用于将所述目标样本图片的特征添加至所述第二特征集合。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
第一删除模块，用于删除所述第二特征集合中存储时间大于第一阈值的特征。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
第三确定模块，用于确定所述第二特征集合中对应标签与所述目标样本图片的标签不同的特征完成了一次训练迭代；
第二删除模块，用于删除所述第二特征集合中训练迭代次数超过第二阈值的特征。
结合第三方面，在一种可能的实现方式中，所述装置还包括：
第三删除模块，用于在所述第二特征集合中特征的数量大于第三阈值时，从所述第二特征集合中删除特征，使得所述第二特征集合中特征的数量小于或者等于第三阈值。
结合第三方面，在一种可能的实现方式中，从所述第二集合中删除特征包括：
获取所述第二特征集合中各特征对应的损失函数值；
按照所述损失函数值由小到大的顺序依次删除所述第二特征集合中的特征，直至所述第二特征集合中特征的数量小于或者等于第三阈值。
根据本公开的第四方面，提供了一种识别装置，包括：
提取模块，用于采用特征提取网络，提取测试图片的特征；
测试模块，用于根据所述测试图片的特征确定所述测试图片对应的标签；
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
根据本公开的第五方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，仅根据目标样本图片的特征、标签与目标样本图片的标签相同的正样本的特征，以及标签与目标样本图片的标签不同的负样本的特征即可确定损失函数值，从而对特征提取网络进行训练，每次训练特征提取网络只需要涉及少量特征的计算，降低了计算量，节省了计算资源。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的网络训练方法的流程图；
图2示出根据本公开实施例的网络训练方法的具体实施流程图；
图3示出根据本公开实施例的网络训练装置的框图。
图4示出根据本公开实施例的识别装置的框图。
图5示出根据本公开实施例的一种电子设备800的框图。
图6示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
相关技术中，训练人脸特征提取网络的方法包括类中心学习法和度量学习法。相比于度量学习法，中心学习法训练模型的收敛速度更快、鲁棒性更强。然而，类中心学习法在训练模型时需要定义一个参数量与类数(即类别的数量)线性相关的全连接层。在类中心学习法中，每个类别都会在全连接层中增加一行参数，这导致全连接层参数量庞大，而全连接层的每次计算(包括前向计算和反向计算)都涉及整个全连接层的所有参数，导致计算量庞大。
图1示出根据本公开实施例的网络训练方法的流程图。如图所示，该方法可以包括：
步骤S11，采用待训练的特征提取网络，提取目标样本图片的特征。
步骤S12，获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
步骤S13，根据目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值。
步骤S14，基于所述损失函数值更新所述特征提取网络的参数。
在本公开实施例中，仅根据目标样本图片的特征、标签与目标样本图片的标签相同的正样本的特征，以及标签与目标样本图片的标签不同的负样本的特征即可确定损失函数值，从而对特征提取网络进行训练，每次训练特征提取网络只需要涉及少量特征的计算，降低了计算量，节省了计算资源。
在一种可能的实现方式中，所述特征提取网络的训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，本公开实施例提供的特征提取网络可以用于从图片中提取的特征，例如从人脸图片中提取人脸的特征，或者从动物、植物、建筑物和交通工具等物体的照片中提取这些物体的特征。
在步骤S11中，待训练的特征提取网络可以为任意一个相关技术中已有的特征提取CNN(Convolutional Neural Networks，卷积神经网络)模型。本公开实施例中对CNN的结构不做限制。待训练的特征提取网络根据训练数据集合中的样本图片进行训练。
在训练数据集合中，每个样本图片对应于唯一的标签，样本图片的标签可以用于识别样本图片的真实类别。以人脸图片作为样本图片为例，训练数据集合中每个人脸图片对应唯一的人脸标签，该人脸标签可以用于识别出人脸图片对应的人。而从一个样本图片中提取的特征则可以用于判断该样本图片的类别。
在本公开实施例中，可以逐一读取训练数据集合中的样本图片，然后采用待训练的特征提取网络，提取读取到的样本图片的特征。当前输入待训练的特征提取网络的样本图片就是目标样本图片。
由于损失函数涉及的特征包括当前输入特征提取网络的目标样本图片本身的特征、目标样本图片真实类别的样本图片的特征(即目标样本图片的对应的正特征)，以及其他类别(除目标样本图片真实类别以外的类别)的样本图片的特征(即目标样本图片对应的负特征)。因此，本公开实施例中，可以获取目标样本图片的特征、目标样本图片真实类别的样本图片的特征和其他类别的样本图片的特征，以确定损失函数值。
在步骤S12中，首先目标样本图片对应的正样本(即对应标签与目标样本图片的标签相同的其他样本图片)和负样本(即对应标签与目标样本图片的标签不同的样本图片)，然后获取正样本的特征和负样本的特征，分别作为目标样本图片对应的正特征和负特征。
其中，由于正样本的标签与目标样本图片的标签相同，相应的正样本的真实类别和目标样本图片的真实对应相同，因此，正样本的特征可以作为样本图片真实类别的样本图片的特征。由于负样本的标签与目标样本图片的标签不同，相应的负样本的真实类别和目标样本图片的真实类别不同，因此，负样本的特征可以作为其他类别的特征。
这样，在获取了目标样本图片对应的正特征和负特征之后，在步骤S13中，可以根据目标样本图片的特征，以及目标样本图片对应的正特征和负特征，确定损失函数值。在本公开实施例中，对损失函数的具体形式不做限制。
在一种可能的实现方式中，可以从数据集中随机获取一定数量的图片作为样本图片，由这些样本图片组成训练数据集合。提取训练数据集合中每个样本图片的特征，并获取每个样本图片对应的正特征和负特征。然后，根据训练数据集合中各样本图片的特征以及对应的正特征和负特征确定损失函数值。最后，对确定出的损失函数值进行反向传播获得参数梯度并更新特征提取网络的参数，从而完成一次训练迭代过程。之后，可以重复这一训练迭代过程，直到损失函数收敛，从而完成特征提取网络的训练。
在本公开实施例中，可以首先构建包括所有类别的样本图片的特征的第一特征集合和包括至少一个类别的样本图片的特征的第二特征集合。然后，分别从第一特征集合和第二特征集合中获取目标样本图片对应的正特征和负特征。下面对第一特征集合和第二特征集合的构建过程进行说明。
在本公开实施例中，可以从数据集合中针对每个标签获取至少一个样本图片，由所有获取的样本图片构成一个样本集合，使得样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，进而基于该样本集合构建第一特征集合和第二特征集合。
在一种可能的实现方式中，可以采用待训练的特征提取网络，提取所述样本集合中的每个所述样本图片对应的特征。具体的，针对每个标签，可以从样本集合中获取至少一个样本图片，然后采用待训练的特征提取网络提取每个获取到的样本图片的特征，从而为每个标签提取至少一个样本图片的特征。
之后，可以根据所提取的特征，确定每个标签的标签特征。标签特征可以用于表示一个标签所具有的特征，即具有相同标签的样本图片的总体特征。在标签对应一个样本图片的情况下，可以将提取的特征确定为该标签对应的标签特征。在标签对应多个样本图片的情况下，将所述标签对应的多个样本图片的特征的平均量确定为所述标签的标签特征。
在本公开实施例中，可以基于所有标签对应的标签特征，构建第一特征集合。这样，在第一特征集合中，每个标签有且仅有一个标签特征。
在本公开实施例中，可以从所提取的特征中选取指定数量的特征，基于选取的特征，构建第二特征集合。其中，选取方式可以为随机选取。可以理解的是，在第二特征集合中不保证每个标签都有对应的样本图片的特征。
指定数量可以根据需要进行设置。在一种可能的实现方式中，可以采用公式(1)确定指定数量：
N＝C*Nu 公式(1)
其中，N表示指定数量，C表示训练数据集合中标签的数量，Nu表示超参数。Nu可以根据需要经验进行设置，理论上Nu越大越好。在一个示例中，Nu可以设置为2％，此时本公开实施例中训练特征提取网络的效果可以达到与相关技术中采用全连接层相似的训练效果。
在构建完成第一特征集合和第二特征集合的情况下，可以从第一特征集合中获取目标样本图片对应的正特征，从第二特征集合中获取目标样本图片对应的负特征。具体的，可以将第一特征集合中，对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征，将第二特征集合中，对应标签与所述目标样本图片的标签不同的特征，确定为所述目标样本图片对应的负特征。这样，可以保证每个目标样本图片均存在能够代表其对应标签特征的正特征，以及每个目标样本图片可以选取到所有可能的负特征。
需要说明的是，基于本公开实施例构建的第一特征集合和第二特征集合，获取的目标样本图片对应的正特征的数量为一，获取的目标样本图片对应的负特征的数量取决于超参数Nu。
在完成一次训练迭代过程的情况下，需要对第一特征集合和第二特征集合进行更新之后，再进行下一次训练迭代过程，以便于损失函数收敛。下面对第一特征集合和第二特征集合的更新过程进行说明。
在一种可能的实现方式中，在完成一次训练迭代过程的情况下，可以基于本次训练迭代过程中获取的目标样本图片的特征以及与目标样本图片对应的正特征，更新第一特征集合。这样，可以提升第一特征集合中标签特征与标签对应类别的真实特征的相似度，从而在后续训练迭代过程中提取到的正特征更加贴近标签对应类别的真实特征。
在一个示例中，可以采用公式(2)进行第一特征集合的更新。
其中，fi表示本次训练迭代过程中选取的第i个样本图片Ii的特征，0≤i＜M，M表示本次训练迭代过程中选取的样本图片的数量，M为正整数。
表示第一特征集合中对应标签与fi和
的标签相同的标签特征(即本次训练迭代过程中获取的正特征)，
表示
的更新结果。α为大于0小于1的超参数。α的值可以根据训练效果进行调整，例如α可以取0.5。
在一种可能的实现方式中，在完成一次训练迭代过程的情况下，可以将本次训练迭代过程中获取的目标样本图片的特征添加至第二特征集合中，以对第二特征集合进行更新。这样，可以丰富第二特征集合中的特征，从而在后续训练迭代过程中提供尽可能多的负特征。
在一种可能的实现方式中，所述方法还包括：删除第二特征集合中存储时间大于第一阈值的特征。
其中，第一阈值可以根据需要进行设置，举例来说，第一阈值可以为1小时。当一个特征在第二特征集合中存储时间大于第一阈值时，表明该特征在第二特征集合中停留的时间较长，此时，该特征被用作负特征进行网络训练的可能性较大，因此可以从第二特征集合中删除该图片，以节省计算资源。
在一种可能的实现方式中，所述方法还包括：确定所述第二特征集合中对应标签与所述目标样本图片的标签不同的特征完成了一次训练迭代；删除第二特征集合中训练迭代次数超过第二阈值的特征。
其中，第二阈值可以根据需要进行设置，举例来说，第二阈值可以为100。特征的训练迭代次数较大时，该特征与样本图片的真实特征(采用当前特征提取网络对样本图片重新提取的特征)的差异越大，从而不能提供有效的训练信息，因此，在特征的训练迭代次数超过第二阈值的情况下，可以从第二特征集合中删除该图片，以节省计算资源。
在本公开实施例中，可以在将目标样本图片的特征添加至第二特征集合的情况下，确定第二特征集合中对应标签与目标样本图片的标签不同的特征完成了一次训练迭代。
在一种可能的实现方式中，所述方法还包括：在所述第二特征集合中特征的数量大于第三阈值时，从所述第二特征集合中删除特征，使得所述第二特征集合中特征的数量小于或者等于第三阈值。
其中，第三阈值可以根据需要进行设置，在一个示例中，可以将前述的指定数量确定为第三阈值。
在本公开实施例中，第二特征集合的规模进行控制。在第二特征集合中特征的数量大于第三阈值时，可以从所述第二集合中删除部分特征，从而将负特征的数量限制在一定范围内，以节省计算资源。
在一个示例中，从所述第二集合中删除特征包括：获取所述第二特征集合中各特征对应的损失函数值；按照所述损失函数值由小到大的顺序依次删除所述第二特征集合中的特征，直至所述第二特征集合中特征的数量小于或者等于第三阈值。
损失函数值越小，特征对网络训练的贡献度越低，因此按照所述损失函数值由小到大的顺序依次删除所述第二特征集合中的特征。
在完成特征提取网络的训练的情况下，可以采用训练完成的特征提取网络进行标签识别。本公开实施例提供一种识别方法，包括：采用特征提取网络，提取测试图片的测试特征；根据所述测试图片的特征确定所述测试图片对应的标签。
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
该特征提取网络的训练方法可以参照本公开实施例提供的网络训练方法，这里不再赘述。
相关技术中，由于计算量较大，因此全连接层必须存放在GPU(GraphicsProcessing Unit，图像处理器)的显存中才能保证计算速度，而计算服务器在GPU显存的配置上比较受限(远小于普通内存)，从而导致训练大规模的全连接层时，显存资源紧张。这使得基于大规模人脸数据集的人脸识别模型的训练容易出现资源不足的问题。
在本公开实施例中，由于计算量的减小，可以将第一特征集合和第二特征集合中的特征存放在普通内存上，降低了对GPU显存的需求，有利于实现基于大规模样本图片的特征提取网络的训练。
应用示例
图2示出根据本公开实施例的网络训练方法的具体实施流程图。如图2所示，在进行特征提取网络的训练之前，可以首先对特征记忆系统进行初始化，构建出第一特征集合和第二特征集合，该特征记忆系统可以配置在普通内存上。具体的，可以构建一个样本集合，该样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片。利用待训练的特征提取网络为样本集合中样本图片对应的特征。这样，针对每个标签，可以从样本集合中获取至少一个样本图片，进而提取到至少一个一个样本图片的特征。在一个标签对应一个样本图片的情况下，可以将该样本图片的特征作为该标签的标签特征。在一个标签对应多个样本图片的情况下，可以将这多个样本图片的特征的平均值确定为该标签的标签特征。采用所有标签的标签特征构建第一特征集合，并将第一特征集合存储在特征记忆系统中。从所有提取的特征中随机选取N(参见公式(1))个特征，采用选取出的特征构建第二特征集合，并将第二特征集合存储在特征记忆系统中。可以理解的是，第一特征集合中，每个标签有且仅有一个标签特征，而第二特征集合中不保证每个标签都存在对应样本图片的特征。
在完成特征记忆系统的初始化之后，可以随机从数据集合中选取M个(例如64个)图片作为样本图片，并构成训练数据集合。如图2所示，通过待训练的特征提取网络提取每个训练数据集合中样本图片的特征，记第i个样本图片Ii的特征为fi，该样本图片的标签为yi。
对于每个样本图片，从特征记忆系统的第一特征集合中取出对应标签与样本图片Ii的标签相同的标签特征，记为样本图片Ii对应的正特征；从特征记忆系统的第二特征集合中取出所有对应标签与样本图片Ii的标签不同的样本图片的特征，记为样本图片Ii对应的负特征。之后，根据各样本图片的特征以及各样本图片对应的正特征和负特征，确定损失函数值，并进行反向传播获得参数梯度，进而更新待训练的特征提取网络的参数。
以交叉熵损失函数为例进行说明，可以采用公式(3)计算损失函数值：
其中，M表示样本图片的数量，M为正整数。fi表示训练集合中第i个样本图片Ii的特征，0≤i＜M。yi表示样本图片Ii的标签。表示样本图片Ii对应的正特征，
的标签为yi。
表示标签为j的第k个负特征，j≠yi，0≤k＜N，N表示对应标签与样本图片Ii的标签不同的负特征的总数量。s为损失函数中的超参数，s可以根据训练效果进行调整，在一个示例中，s可以为64。
接着，可以采用各样本图片的特征对第一特征集合和第二特征和进行更新，使得第一特征集合和第二特征集合记住样本图片的特征。同时，可以通过删除第二特征集合中的特征，来遗忘部分样本图片的特征。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了网络训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种网络训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的网络训练装置的框图。如图3所示，所述装置30可以包括：
第一提取模块31，用于采用待训练的特征提取网络，提取目标样本图片的特征；
获取模块32，用于获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；
第一确定模块33，用于根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；
第一更新模块34，用于基于所述损失函数值更新所述特征提取网络的参数。
在一种可能的实现方式中，所述获取模块还用于：
将第一特征集合中对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征；
将第二特征集合中对应标签与所述目标样本图片的标签不同的特征，确定为所述样本图片对应的负特征。
在本公开实施例中，仅根据目标样本图片的特征、标签与目标样本图片的标签相同的正样本的特征，以及标签与目标样本图片的标签不同的负样本的特征即可确定损失函数值，从而对特征提取网络进行训练，每次训练特征提取网络只需要涉及少量特征的计算，降低了计算量，节省了计算资源。
在一种可能的实现方式中，样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，，所述装置还包括：
第二提取模块，用于采用所述待训练的特征提取网络，提取所述样本集合中的每一张所述样本图片的特征；
第二确定模块，用于根据所提取的特征，确定每个标签对应的标签特征；
第一构建模块，用于基于所有标签对应的标签特征，构建所述第一特征集合。
在一种可能的实现方式中，所述第二确定模块还用于：
在标签对应一个样本图片的情况下，将所述标签对应的样本图片的特征确定为所述标签对应的标签特征；
和/或，
在标签对应多个样本图片的情况下，将所述标签对应的多个样本图片的特征的平均量确定为所述标签的标签特征。
在一种可能的实现方式中，所述装置还包括：
第二构建模块，用于从所提取的特征中选取指定数量的特征，构建所述第二特征集合。
在一种可能的实现方式中，所述装置还包括：
第二更新模块，用于基于所述目标样本图片的特征以及所述目标样本图片对应的正特征，更新所述第一特征集合。
在一种可能的实现方式中，所述装置还包括：
添加模块，用于将所述目标样本图片的特征添加至所述第二特征集合。
在一种可能的实现方式中，所述装置还包括：
第一删除模块，用于删除所述第二特征集合中存储时间大于第一阈值的特征。
在一种可能的实现方式中，所述装置还包括：
第三确定模块，用于确定所述第二特征集合中对应标签与所述目标样本图片的标签不同的特征完成了一次训练迭代；
第二删除模块，用于删除所述第二特征集合中训练迭代次数超过第二阈值的特征。
在一种可能的实现方式中，所述装置还包括：
第三删除模块，用于在所述第二特征集合中特征的数量大于第三阈值时，从所述第二特征集合中删除特征，使得所述第二特征集合中特征的数量小于或者等于第三阈值。
在一种可能的实现方式中，从所述第二集合中删除特征包括：
获取所述第二特征集合中各特征对应的损失函数值；
按照所述损失函数值由小到大的顺序依次删除所述第二特征集合中的特征，直至所述第二特征集合中特征的数量小于或者等于第三阈值。
此外，本公开还提供了识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的识别装置的框图。如图4所示，所述装置40可以包括：
提取模块41，用于采用特征提取网络，提取测试图片的特征；
测试模块42，用于根据所述测试图片的特征确定所述测试图片对应的标签；
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任实施例提供的图片搜索方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种网络训练方法，其特征在于，包括：
采用待训练的特征提取网络，提取目标样本图片的特征；
获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；
根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；
基于所述损失函数值更新所述特征提取网络的参数。
2.根据权利要求1所述的方法，其特征在于，获取所述目标样本图片对应的正特征和负特征，包括：
将第一特征集合中对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征；
将第二特征集合中对应标签与所述目标样本图片的标签不同的特征，确定为所述目标样本图片对应的负特征。
3.根据权利要求2所述的方法，其特征在于，样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，所述方法还包括：
采用所述待训练的特征提取网络，提取所述样本集合中的每个所述样本图片的特征；
根据所提取的特征，确定每个标签对应的标签特征；
基于所有标签对应的标签特征，构建所述第一特征集合。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所提取的特征中选取指定数量的特征，构建所述第二特征集合。
5.根据权利要求2至4中任意一项所述的方法，其特征在于，所述方法还包括：
基于所述目标样本图片的特征以及所述目标样本图片对应的正特征，更新所述第一特征集合。
6.一种识别方法，其特征在于，包括：
采用特征提取网络，提取测试图片的特征；
根据所述测试图片的特征确定所述测试图片对应的标签；
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
7.一种网络训练装置，其特征在于，包括：
第一提取模块，用于采用待训练的特征提取网络，提取目标样本图片的特征；
获取模块，用于获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；
第一确定模块，用于根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；
第一更新模块，用于基于所述损失函数值更新所述特征提取网络的参数。
8.一种识别装置，其特征在于，包括：
提取模块，用于采用特征提取网络，提取测试图片的特征；
测试模块，用于根据所述测试图片的特征确定所述测试图片对应的标签；
其中，所述特征提取网络是基于目标样本图片的特征、目标样本图片对应的正特征和目标样本图片对应的负特征训练完成的；
所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项或者权利要求6所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项或者权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911012578.8A CN110765943A (zh) | 2019-10-23 | 2019-10-23 | 网络训练、识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911012578.8A CN110765943A (zh) | 2019-10-23 | 2019-10-23 | 网络训练、识别方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110765943A true CN110765943A (zh) | 2020-02-07 |
Family
ID=69333781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911012578.8A Pending CN110765943A (zh) | 2019-10-23 | 2019-10-23 | 网络训练、识别方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110765943A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898619A (zh) * | 2020-07-13 | 2020-11-06 | 上海眼控科技股份有限公司 | 图片特征提取方法、装置、计算机设备和可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108754A (zh) * | 2017-12-15 | 2018-06-01 | 北京迈格威科技有限公司 | 重识别网络的训练、重识别方法、装置和系统 |
| CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技（深圳）有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
| CN109657792A (zh) * | 2018-12-19 | 2019-04-19 | 北京世纪好未来教育科技有限公司 | 构建神经网络的方法、装置和计算机可读介质 |
| CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
| US20190266624A1 (en) * | 2017-01-06 | 2019-08-29 | Tencent Technology (Shenzhen) Company Limited | Seed population diffusion method, device, information delivery system and storage medium |
-
2019
- 2019-10-23 CN CN201911012578.8A patent/CN110765943A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190266624A1 (en) * | 2017-01-06 | 2019-08-29 | Tencent Technology (Shenzhen) Company Limited | Seed population diffusion method, device, information delivery system and storage medium |
| CN108108754A (zh) * | 2017-12-15 | 2018-06-01 | 北京迈格威科技有限公司 | 重识别网络的训练、重识别方法、装置和系统 |
| CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技（深圳）有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
| CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
| CN109657792A (zh) * | 2018-12-19 | 2019-04-19 | 北京世纪好未来教育科技有限公司 | 构建神经网络的方法、装置和计算机可读介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898619A (zh) * | 2020-07-13 | 2020-11-06 | 上海眼控科技股份有限公司 | 图片特征提取方法、装置、计算机设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
| CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
| CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
| CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
| CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
| CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
| KR20210114511A (ko) | 얼굴 이미지 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
| CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
| CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
| CN111582383B (zh) | 属性识别方法及装置、电子设备和存储介质 | |
| CN112668707B (zh) | 运算方法、装置及相关产品 | |
| CN112836801A (zh) | 深度学习网络确定方法、装置、电子设备及存储介质 | |
| CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN111539410A (zh) | 字符识别方法及装置、电子设备和存储介质 | |
| CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
| CN111984765B (zh) | 知识库问答过程关系检测方法及装置 | |
| CN110163372B (zh) | 运算方法、装置及相关产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
| RJ01 | Rejection of invention patent application after publication |