CN112329797A - 目标对象的检索方法、装置、服务器和存储介质 - Google Patents
目标对象的检索方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN112329797A CN112329797A CN202011270661.8A CN202011270661A CN112329797A CN 112329797 A CN112329797 A CN 112329797A CN 202011270661 A CN202011270661 A CN 202011270661A CN 112329797 A CN112329797 A CN 112329797A
- Authority
- CN
- China
- Prior art keywords
- feature
- similarity
- extraction model
- feature extraction
- library
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种目标对象的检索方法、装置、服务器和存储介质,涉及数据处理技术领域。方法包括:获取第一特征库,第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;根据第一特征库,确定第二特征提取模型对应的目标特征库,第二特征提取模型为第一特征提取模型升级后的特征提取模型;响应于获取到待检索的目标对象,通过第二特征提取模型和目标特征库,从多个第一参考对象中,确定与目标对象匹配的参考对象。这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
Description
技术领域
本公开涉及数据处理技术领域,特别涉及一种目标对象的检索方法、装置、服务器和存储介质。
背景技术
目前,随着数据处理技术的发展,目标对象检索的应用场景越来越广泛。例如,在目标识别、图像搜索、智能分析或模式识别等场景中,都能够使用目标对象检索功能来实现。
其中,进行目标对象检索之前,需要通过特征提取模型,提取多个参考对象的特征,得到特征库;在进行目标对象检索时,基于特征提取模型提取待检索的目标对象的特征,分别确定目标对象的特征与特征库中的每个参考对象的特征之间的相似度;基于目标对象的特征与每个参考对象的特征之间的相似度,对多个参考对象进行排序,得到排序结果;根据该排序结果确定检索结果。
而随着数据处理技术的发展,特征提取模型会进行升级。然而,升级后的特征提取模型由于具有新的网络结构和权重系数等参数,从而提取到的特征具有不同的特征空间。因此,升级后的特征提取模型提取的目标对象的特征无法与升级前的特征提取模型提取得到的特征库进行相似度对比,还需要重新通过升级后的特征提取模型对多个参考对象进行特征提取,得到新的特征库,从而导致特征提取模型版本升级计算量大,升级效率低,进而导致使用升级后的特征提取模型进行目标对象检索的效率低。
发明内容
本公开提供了一种目标对象的检索方法、装置、服务器和存储介质。能够提高用于目标检索的特征提取模型的升级效率。方案如下:
根据本公开实施例的一方面,提供一种目标对象的检索方法,所述方法包括:
获取第一特征库,所述第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;
根据所述第一特征库,确定第二特征提取模型对应的目标特征库,所述第二特征提取模型为所述第一特征提取模型升级后的特征提取模型;
响应于获取到待检索的目标对象,通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象。
在一些实施例中,所述根据所述第一特征库,确定第二特征提取模型对应的目标特征库,包括:
基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库;
将所述第二特征库确定为所述目标特征库。
在一些实施例中,所述基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库,包括:
根据所述第一特征提取模型和所述第二特征提取模型,获取转译模型;
将所述第一特征库中的多个第一特征输入至所述转译模型中,得到多个第二特征,所述第二特征为与所述第二特征提取模型匹配的特征;
将所述多个第二特征组成所述第二特征库。
在一些实施例中,所述通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象,包括:
通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;
分别将所述第一待检索特征与所述目标特征库中的多个第二特征进行对比,得到所述第一待检索特征与每个第二特征的第一相似度;
基于所述第一待检索特征与所述每个第二特征的第一相似度,对所述第二特征对应的参考对象进行排序,得到第一排序结果;
根据所述第一排序结果,从所述多个第一参考对象中确定所述目标对象匹配的参考对象。
在一些实施例中,所述根据所述第一特征库,确定第二特征提取模型对应的目标特征库,包括:
获取待入库的至少一个第二参考对象;
通过所述第二特征提取模型分别对所述至少一个第二参考对象进行特征提取,得到至少一个第二特征;
将所述至少一个第二特征组成第二特征库;
将所述第一特征库和所述第二特征库组成所述目标特征库。
在一些实施例中,所述通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象,包括:
通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;以及,通过所述第一特征提取模型,确定所述目标对象的第二待检索特征;
分别将所述第二待检索特征与所述第一特征库中的至少一个第一特征进行相似度对比,得到所述第二待检索特征与每个第一特征的第二相似度;以及,分别将所述第一待检索特征与所述第二特征库中的多个第二特征进行相似度对比,得到所述第一待检索特征与每个第二特征的第三相似度;
根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象。
在一些实施例中,所述根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象,包括:
根据所述第二相似度对所述至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据所述第三相似度对所述至少一个第二特征对应的检索结果进行排序,得到第三排序结果;
分别根据所述第二排序结果和所述第三排序结果,从所述多个第一参考对象和所述至少一个第二参考对象中确定与所述目标对象匹配的参考对象。
在一些实施例中,所述根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象,包括:
确定所述第二相似度和所述第三相似度的映射关系;
根据所述映射关系,将所述第二相似度映射为所述第三相似度对应的相似度空间,得到第四相似度;
根据所述第三相似度和所述第四相似度对所述多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;
根据所述第四排序结果确定与所述目标对象匹配的参考对象。
根据本公开实施例的另一方面,提供一种目标对象的检索装置,所述装置包括:
获取模块,用于获取第一特征库,所述第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;
第一确定模块,用于根据所述第一特征库,确定第二特征提取模型对应的目标特征库,所述第二特征提取模型为所述第一特征提取模型升级后的特征提取模型;
第二确定模块,用于响应于获取到待检索的目标对象,通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象。
在一些实施例中,所述第一确定模块包括:
转译单元,用于基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库;
第一确定单元,用于将所述第二特征库确定为所述目标特征库。
在一些实施例中,所述转译单元,用于根据所述第一特征提取模型和所述第二特征提取模型,获取转译模型;将所述第一特征库中的多个第一特征输入至所述转译模型中,得到多个第二特征,所述第二特征为与所述第二特征提取模型匹配的特征;将所述多个第二特征组成所述第二特征库。
在一些实施例中,所述第一确定单元,用于通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;分别将所述第一待检索特征与所述目标特征库中的多个第二特征进行对比,得到所述第一待检索特征与每个第二特征的第一相似度;基于所述第一待检索特征与所述每个第二特征的第一相似度,对所述第二特征对应的参考对象进行排序,得到第一排序结果;根据所述第一排序结果,从所述多个第一参考对象中确定所述目标对象匹配的参考对象。
在一些实施例中,所述第一确定模块包括:
获取单元,用于获取待入库的至少一个第二参考对象;
特征提取单元,用于通过所述第二特征提取模型分别对所述至少一个第二参考对象进行特征提取,得到至少一个第二特征;
第一组成单元,用于将所述至少一个第二特征组成第二特征库;
第二组成单元,用于将所述第一特征库和所述第二特征库组成所述目标特征库。
在一些实施例中,所述第二确定模块包括:
第二确定单元,用于通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;以及,通过所述第一特征提取模型,确定所述目标对象的第二待检索特征;
对比单元,用于分别将所述第二待检索特征与所述第一特征库中的至少一个第一特征进行相似度对比,得到所述第二待检索特征与每个第一特征的第二相似度;以及,分别将所述第一待检索特征与所述第二特征库中的多个第二特征进行相似度对比,得到所述第一待检索特征与每个第二特征的第三相似度;
第三确定单元,用于根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象。
在一些实施例中,所述第三确定单元,用于根据所述第二相似度对所述至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据所述第三相似度对所述至少一个第二特征对应的检索结果进行排序,得到第三排序结果;分别根据所述第二排序结果和所述第三排序结果,从所述多个第一参考对象和所述至少一个第二参考对象中确定与所述目标对象匹配的参考对象。
在一些实施例中,所述第三确定单元,用于确定所述第二相似度和所述第三相似度的映射关系;根据所述映射关系,将所述第二相似度映射为所述第三相似度对应的相似度空间,得到第四相似度;根据所述第三相似度和所述第四相似度对所述多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;根据所述第四排序结果确定与所述目标对象匹配的参考对象。
根据本公开实施例的另一方面,提供一种服务器,所述服务器包括处理器和存储器,所述存储器中存储至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现本方法实施例中所述目标对象的检索方法中所执行的指令。
根据本公开实施例的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现本方法实施例中所述目标对象的检索方法中所执行的指令。
根据本公开实施例的另一方面,提供了一种应用程序,当所述应用程序中的程序代码由服务器的处理器执行时,使得实现本方法实施例中所述目标对象的检索方法中所执行的指令。
本公开的实施例提供的技术方案可以包括以下有益效果:
在本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
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的,并不能限制本公开。
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,示出了符合本公开的实施例,并于说明书一起用于解释本公开的原理。
图1是根据本公开部分示例性实施例示出的一种目标对象的检索方涉及到的实施环境的示意图;
图2是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图3是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图4是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图5是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图6是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图7是根据一示例性实施例示出的一种目标对象的检索方法的流程图;
图8是根据一示例性实施例示出的一种目标对象的检索装置的框图;
图9是根据一示例性实施例提供的一种服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据本公开部分示例性实施例示出的一种目标对象的检索方涉及到的实施环境的示意图。参见图1,该实施环境包括:终端101和服务器102。其中,终端101和服务器102通过无线连接或数据接口进行数据交互。
其中,终端101接收待检索的目标对象,将该目标对象发送给服务器102。在一些实施例中,该目标对象为图像、关键字、视频文件、语音信号或其他检索语句等。相应的,该目标对象为用户输入至终端101中的待检索的目标对象。例如,终端中展示检索框,通过该检索框接收用户输入的目标对象。其中,该检索框为文本输入框、语音输入框、视频文件选择框或图像选择框等。在一些实施例中,终端101为手机、平板电脑或可穿戴设备等,在本公开实施例中,对此不作具体限定。
服务器102用于接收终端101发送的目标对象,对该目标对象进行目标对象检索,得到与该目标对象匹配的参考对象。在一些实施例中,服务器102为独立的服务器,或者,由多个服务器组成的服务器集群,或者,云服务器等,在本公开实施例中,对此不作具体限定。
在一些实施例中,该目标对象的检索方法应用在目标识别的场景中。例如,应用在生物信息识别的场景中。相应的,多个参考对象为多个目标生物信息对应的图像,特征库中存储该多个目标生物信息的特征;该目标对象为采集到的待识别的图像。在本公开实施例中,能够通过特征提取模型提取待识别图像的图像特征,将该图像特征与特征库中多个目标生物信息的特征进行相似度对比,得到与该图像特征相似度最高的目标生物信息。
在一些实施例中,该目标对象的检索方法应用在图像检索场景中。例如,应用在图像搜索引擎中。相应的,该多个参考对象为图像搜索引擎中的多个图像,该目标对象为图像或关键字等搜索信息。在本公开实施例中,服务器能够通过特征提取模型提取搜索信息的信息特征,将该信息特征与特征库中多个图像的图像特征进行相似度对比,得到与该图像特征相似的至少一个图像。
参见图2,在本公开实施例中,服务器事先将待入库的参考对象进行特征提取,将提取的特征组成特征库。响应于接收到待检索的目标对象,对该目标对象进行特征提取,得到该目标对象的待检索特征,确定该待检索特征与特征库中的特征的相似度,按照该相似度进行相似度排序,基于排序结果返回检索结果。
由于不同的特征提取模型的网络结构和权重系数等模型参数不同。因此,在升级前后不同的特征提取模型提取出的特征空间不同。这就导致不同的特征提取模型的特征库不能共用,升级后的特征提取模型不能使用升级前的特征提取模型的特征库进行相似度对比,因此,需要通过升级后的特征提取模型重新对参考对象进行特征提取,进而得到与第二特征提取模型匹配的特征库,然而这个过程需要将历史特征库中所有特征对应的参考对象都重新进行特征提取,导致特征提取模型升级后计算量较大,升级效率低。而本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
图3是根据一示例性实施例示出的一种目标对象的检索方法的流程图。如图3所示,该目标对象检索方法包括如下步骤:
步骤301:获取第一特征库,该第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库。
步骤302:根据该第一特征库,确定第二特征提取模型对应的目标特征库,该第二特征提取模型为该第一特征提取模型升级后的特征提取模型。
步骤303:响应于获取到待检索的目标对象,通过该第二特征提取模型和该目标特征库,从该多个第一参考对象中,确定与该目标对象匹配的参考对象。
在一些实施例中,该根据该第一特征库,确定第二特征提取模型对应的目标特征库,包括:
基于该第一特征提取模型和该第二特征提取模型,将该第一特征库转译为第二特征库;
将该第二特征库确定为该目标特征库。
在一些实施例中,该基于该第一特征提取模型和该第二特征提取模型,将该第一特征库转译为第二特征库,包括:
根据该第一特征提取模型和该第二特征提取模型,获取转译模型;
将该第一特征库中的多个第一特征输入至该转译模型中,得到多个第二特征,该第二特征为与该第二特征提取模型匹配的特征;
将该多个第二特征组成该第二特征库。
在一些实施例中,该通过该第二特征提取模型和该目标特征库,从该多个第一参考对象中,确定与该目标对象匹配的参考对象,包括:
通过该第二特征提取模型,确定该目标对象的第一待检索特征;
分别将该第一待检索特征与该目标特征库中的多个第二特征进行对比,得到该第一待检索特征与每个第二特征的第一相似度;
基于该第一待检索特征与该每个第二特征的第一相似度,对该第二特征对应的参考对象进行排序,得到第一排序结果;
根据该第一排序结果,从该多个第一参考对象中确定该目标对象匹配的参考对象。
在一些实施例中,该根据该第一特征库,确定第二特征提取模型对应的目标特征库,包括:
获取待入库的至少一个第二参考对象;
通过该第二特征提取模型分别对该至少一个第二参考对象进行特征提取,得到至少一个第二特征;
将该至少一个第二特征组成第二特征库;
将该第一特征库和该第二特征库组成该目标特征库。
在一些实施例中,该通过该第二特征提取模型和该目标特征库,从该多个第一参考对象中,确定与该目标对象匹配的参考对象,包括:
通过该第二特征提取模型,确定该目标对象的第一待检索特征;以及,通过该第一特征提取模型,确定该目标对象的第二待检索特征;
分别将该第二待检索特征与该第一特征库中的至少一个第一特征进行相似度对比,得到该第二待检索特征与每个第一特征的第二相似度;以及,分别将该第一待检索特征与该第二特征库中的多个第二特征进行相似度对比,得到该第一待检索特征与每个第二特征的第三相似度;
根据该第二相似度和该第三相似度,确定与该目标对象匹配的参考对象。
在一些实施例中,该根据该第二相似度和该第三相似度,确定与该目标对象匹配的参考对象,包括:
根据该第二相似度对该至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据该第三相似度对该至少一个第二特征对应的检索结果进行排序,得到第三排序结果;
分别根据该第二排序结果和该第三排序结果,从该多个第一参考对象和该至少一个第二参考对象中确定与该目标对象匹配的参考对象。
在一些实施例中,该根据该第二相似度和该第三相似度,确定与该目标对象匹配的参考对象,包括:
确定该第二相似度和该第三相似度的映射关系;
根据该映射关系,将该第二相似度映射为该第三相似度对应的相似度空间,得到第四相似度;
根据该第三相似度和该第四相似度对该多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;
根据该第四排序结果确定与该目标对象匹配的参考对象。
在本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
在一些实施例中,服务器将升级前的第一特征提取模型匹配的第一特征库转译为与第二特征提取模型匹配的第二特征库,进而根据第二特征库确定与目标对象匹配的参考对象。参见图4,图4是根据一示例性实施例示出的一种目标对象的检索方法的流程图。如4所示,该目标对象的检索方法包括如下步骤:
步骤401:服务器获取第一特征库。
其中,该第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库。该多个第一参考对象为作为匹配标准的对象。
参见图5,在本步骤中,服务器获取第一特征提取模型匹配的历史第一特征库。在一些实施例中,服务器直接获取已存储的第一特征库。相应的,在本步骤之前,服务器获取待入库的多个第一参考对象;通过第一特征提取模型分别对该多个第一参考对象进行特征提取,得到该每个第一参考对象的第一特征,将多个第一特征组成第一特征库,将该第一特征库存储在服务器中。其中,该多个第一参考对象为包含待入库的特征的参考对象。例如,待入库的特征为指纹特征,则该多个第一参考对象为包含指纹特征的参考对象。
需要说明的一点是,服务器还能够从其他服务器中获取该第一特征库。相应的,服务器向其他服务器发送获取请求,该获取请求携带第一特征提取模型的模型标识;其他服务器接收该获取请求,根据该获取请求携带的第一特征提取模型的模型标识,确定第一特征库,将该第一特征库发送给服务器;服务器接收其他服务器返回的第一特征库。其中,其他服务器生成第一特征库的过程与服务器生成第一特征库的过程相似,在此不再赘述。
在本实现方式中,服务器直接将获取到的特征库作为第一特征库,从而简化了获取第一特征库的过程,提高了获取第一特征库的效率。
在一些实施例中,服务器获取到第一特征提取模型匹配的特征库,对该特征库进行备份,将备份得到的特征库作为第一特征库。
需要说明的一点是,服务器获取该第一特征提取模型匹配的特征库的过程,与上述服务器直接获取第一特征库的过程相似,在此不再赘述。
在本实现方式中,通过将备份得到的特征库作为第一特征库,防止了后续对第一特征库进行转译时,转译失败造成的第一特征提取模型匹配的特征库升级失败而无法进行相似度对比。
需要说明的另一点是,服务器中可能存储有多个特征提取模型对应的多个特征库。相应的,服务器中还存储特征库与特征提取模型的对应关系,在本步骤中,服务器根据第一特征提取模型,从特征提取模型与特征库的对应关系中确定第一特征提取模型对应的第一特征库。
步骤402:服务器基于该第一特征提取模型和该第二特征提取模型,将该第一特征库转译为第二特征库。
其中,该第二特征提取模型为该第一特征提取模型升级后的特征提取模型。
在一些实施例中,服务器将基于第一特征提取模型和第二特征提取模型的模型参数,确定第一特征提取模型和第二特征提取模型提取的特征之间的差异信息,基于该差异信息确定该第一特征提取模型提取的特征与第二特征提取模型提取的特征之间的特征映射关系,根据该特征映射关系将该第一特征映射为第二特征得到第二特征库。
在本实现方式中,通过确定第一特征提取模型和第二特征提取模型之间的差异信息,基于该差异信息确定第一特征提取模型与第二特征提取模型提取的特征之间的特征映射关系,进而基于该特征映射关系将第一特征库转译为第二特征库,从而在特征提取模型升级后,无需使用升级后的特征提取模型重新对参考对象进行特征提取,只需要将特征库中的特征进行转译,降低了特征提取模型进行特征提取的计算量,提高了升级效率。
在一些实施例中,继续参见图5,服务器获取第一特征提取模型和第二特征提取模型对应的转译模型,通过该转译模型将第一特征库中的特征转译为第二特征,得到第二特征库。该过程通过以下步骤(1)-(3)实现,包括:
(1)服务器根据该第一特征提取模型和该第二特征提取模型,获取转译模型。
在一些实施例中,服务器中存储多个转译模型,每个转译模型对应不同的特征提取模型。在本步骤中,服务器根据第一特征提取模型和第二特征提取模型的模型标识确定该第一特征提取模型和第二特征提取模型对应的转译模型,调用该转译模型。
在本实现方式中,服务器直接调用已训练好的转译模型,无需再对转译模型进行训练,提高了获取转译模型的运算速度,进而提高了根据转译模型对特征库进行转译的效率。
在一些实施例中,服务器在对第一特征提取模型进行升级得到第二特征提取模型后,根据第一特征提取模型和第二特征提取模型之间的映射关系对转译模型进行模型训练,得到该第一特征提取模型和第二特征提取模型对应的转译模型。其中,服务器通过第一特征提取模型和第二特征提取模型之间的映射关系,确定第一特征库和第二特征库中的特征之间的映射关系,基于该特征之间的映射关系训练得到转译模型。在一些实施例中,该训练过程为:服务器根据第一特征提取模型和第二特征提取模型获取多对样本特征,每对样本特征为第一特征提取模型和第二特征提取模型分别对同一样本数据进行特征提取得到的两种样本特征,以及,获取原始转译模型,根据每对对样本特征之间的映射关系对该原始转译模型进行训练,得到转译模型。其中,原始转译模型为开发人员构建的未进行训练的转译模型。
(2)服务器将该第一特征库中的多个第一特征输入至该转译模型中,得到多个第二特征。
其中,该第二特征为与该第二特征提取模型匹配的特征。
在本步骤中,服务器通过该转译模型对第一特征库进行转译。其中,服务器提取第一特征库中的多个第一特征,分别将该多个第一特征输入至该转译模型中,通过该转译模型对该多个第一特征进行转译,得到多个第二特征。
需要说明的一点是,服务器还将该多个第一特征与多个参照对象的对应关系,映射到该多个第二特征与多个参考对象之间。例如,每个第一特征包括该第一特征对应的参考对象的对象标识。在本步骤中,终端将该多个第一特征转译为多个第二特征后,保留第一特征对应的参考对象的对象标识,从而保证转译后的得到的多个第二特征与该多个参考对象之间保留对应关系。
(3)服务器将该多个第二特征组成该第二特征库。
在步骤中,服务器将同一第一特征库转译得到的多个第二特征组成为第二特征库。
在本步骤之后,服务器还建立第二特征库与第二特征提取模型之间的对应关系。
在本实现方式中,服务器通过转译模型将第一特征库转译为第二特征库,无需使用升级后的特征提取模型重新对参考对象进行特征提取,只需要将特征库中的特征进行转译,降低了特征提取模型进行特征提取的计算量,提高了升级效率。并且,通过转译模型对第一特征库进行转译得到第二特征库,提高了获取第二特征库的效率。
步骤403:服务器将该第二特征库确定为目标特征库。
在本步骤中,服务器建立第二特征库与第二特特征提取模型的对应关系,将该第二特征库确定为目标特征库。
需要说明的一点是,继续参见图5,在一些实施例中,在本步骤之前,服务器还对第二特征库进行验证,在验证通过后执行将该第二特征库确定为目标特征库的步骤。其中,该验证过程根据需要进行设置,在本公开实施例中,对该验证过程不作具体限定。例如,该验证过程为:服务器从该多个第一参考对象中确定至少一个参考对象,将该至少一个第一参考对象输入至第二特征提取模型中,得到第二特征提取模型提取出的特征,响应于第二特征提取模型提取出的特征与第二特征库中该至少一个第一参考对象的特征匹配,则确定验证通过;二者不匹配,则验证不通过。在验证不通过的情况下,服务器重新获取转译模型,通过新的转译模型再次对第一特征库进行转译,得到新的第二特征库,直到新的第二特征库通过验证。
在本实现方式中,在得到第二特征库后,对该第二特征库进行验证,从而保证了得到的第二特征库的准确性。
并且,通过对第一特征库中的第一特征进行转译得到是第二特征库,从而无需对多个第一特征对应的多个参考对象进行特征提取,从而降低了特征提取模型版本升级的计算量,提高了升级效率。
步骤404:响应于获取到待检索的目标对象,服务器通过该第二特征提取模型,确定该目标对象的第一待检索特征。
该第一待检索特征为通过第二特征提取模型提取出的目标对象的特征。在本步骤中,服务器将目标对象输入至第二特征提取模型中,得到第二特征提取模型输出的第一待检索特征。
步骤405:服务器分别将该第一待检索特征与该目标特征库中的多个第二特征进行对比,得到该第一待检索特征与每个第二特征的第一相似度。
在本步骤中,服务器依次从目标特征库中提取第二特征,将提取出的第二特征与第一待检索特征进行相似度对比,从而得到第一待检索特征与每个第二特征的第一相似度。
其中,服务器根据任一相似度算法确定第一待检索特征与第二特征的相似度,在本公开实施例中,对此不作具体限定。例如,该第一待检索特征与第二特征库中的第二特征为向量特征,则通过余弦相似度算法确定第一待检索特征与第二特征的相似度等。
步骤406:服务器基于该第一待检索特征与该每个第二特征的第一相似度,对该第二特征对应的参考对象进行排序,得到第一排序结果。
服务器根据第一待检索特征的特征库与第二特征的相似度确定第二特征库中每个第二特征与该第一待检索特征的相似度,基于该相似度将第二特征库中的多个第二特征进行排序,进而根据第二特征的排序结果和第二特征与参考对象的对应关系,确定第二特征对应的参考对象的排序,得到第一排序结果。
步骤407:服务器根据该第一排序结果,从该多个第一参考对象中确定该目标对象匹配的参考对象。
在一些实施例中,服务器将第一排序结果中相似度最高的第一参考对象作为目标对象的参考对象;或者,服务器将第一排序结果中,排在靠前位置的预设数量的参考对象确定为与该目标对象匹配的参考对象。在本公开实施例中,对此不作具体限定。
在本实现方式中,通过转译得到的第二特征与第一待检索特征进行相似度对比,得到第一排序结果,从而在对第一待检索特征进行相似度对比时,无需再进行特征提取,从而提高了目标对象检索的效率。
在本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
在一些实施例中,服务器保留升级前的第一特征提取模型匹配的第一特征库,将升级后入库的第二参考对象的特征存储在新的第二特征库中,将第一特征库和第二特征库组成该第二特征提取模型对象的目标特征库,进而根据该目标特征库确定与目标对象匹配的参考对象。参见图6,图6是根据一示例性实施例示出的一种目标对象的检索方法的流程图。如6所示,该目标对象的检索方法包括如下步骤:
步骤601:服务器获取第一特征库。
本步骤与步骤401相似,在此不再赘述。第一特征库为特征提取模型升级前对应的特征库。例如,服务器在时间点A对第一特征提取模型进行了升级,得到了第二特征提取模型。则在时间点A之前入库的对象为第一参考对象。服务器通过第一特征提取模型提取第一参考对象的特征,得到特征B和特征C,将该特征B和特征C存储值第一特征库中。
步骤602:服务器获取待入库的至少一个第二参考对象。
该多个第二参考对象为特征提取模型升级后,待入库的参考对象。例如,继续以上述举例为例进行说明,则时间点A之后进行特征提取的参考对象为第二参考对象。
本步骤与步骤401中服务器获取待入库的多个第一参考对象的过程相似,在此不再赘述。
步骤603:服务器通过该第二特征提取模型分别对该至少一个第二参考对象进行特征提取,得到至少一个第二特征。
本步骤与步骤401中服务器通过第一特征提取模型分别对该多个第一参考对象进行特征提取,得到该每个第一参考对象的第一特征的过程相似,在此不再赘述。例如,继续以上述举例为例进行说明,则服务器通过第二特征提取模型对时间点A之后入库的第二参考对象进行特征提取,得到特征D和特征E。
步骤604:服务器将该至少一个第二特征组成第二特征库。
在本步骤中,服务器将至少一个第二特征组成第二特征库,建立该第二特征库与第二特征提取模型的对应关系。例如,继续以上述举例为例进行说明,服务器在时间点A后得到的特征D和特征E组成第二特征库。
步骤605:服务器将该第一特征库和该第二特征库组成该目标特征库。
在本步骤中,参见图7,服务器保留升级前的第一特征提取模型和升级后的第二特征提取模型,分别建立第一特征提取模型和第二特征提取模型的对应关系,将第一特征库和第二特征库组成目标特征库。
需要说明的一点是,该目标特征库中还能够包括其他版本的特征提取模型对应的特征库,在本公开实施例中,对此不作具体限定。例如,特征提取模型进过多次升级,则该目标特征库中包括每次升级对应的特征提取模型对应的特征库。
在本实现方式中,服务器中保留每个版本对应的特征提取模型对应的特征库,将版本更新后获取到的至少一个第二参考对象的至少一个第二特征组成新的第二特征库,将历史的第一特征库和新的第二特征库组成目标特征库,这样无需重新对多个第一参考对象进行特征提取就能得到升级后的第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率。
步骤606:响应于获取到待检索的目标对象,服务器通过该第二特征提取模型,确定该目标对象的第一待检索特征。
本步骤与步骤404相似,在此不再赘述。
步骤607:服务器通过该第一特征提取模型,确定该目标对象的第二待检索特征。
本步骤与步骤404相似,在此不再赘述。
需要说明的一点是,服务器在获取到待检索的目标对象时,先获取该目标对象的第一待检索特征,再获取第二待检索特征;或者,先获取第二待检索特征,再获取第一待检索特征;或者,同时获取该第一待检索特征和第二待检索特征。在本公开实施例中,对此不作具体限定。也即,服务器在获取到待检索的目标对象时,先执行步骤606,再执行步骤607;或者,先执行步骤607,再执行步骤606;或者,同时执行步骤606和607。在本公开实施例中,对服务器执行步骤606和607的顺序不作具体限定。
步骤608:服务器分别将该第二待检索特征与该第一特征库中的至少一个第一特征进行相似度对比,得到该第二待检索特征与每个第一特征的第二相似度。
本步骤与步骤405相似,在此不再赘述。
步骤609:服务器分别将该第一待检索特征与该第二特征库中的多个第二特征进行相似度对比,得到该第一待检索特征与每个第二特征的第三相似度。
本步骤与步骤405相似,在此不再赘述。
需要说明的一点是,服务器先确定第二相似度,再确定第三相似度;或者,先确定第三相似度,再确定第二相似度;或者,同时确定第二相似度和第三相似度。在本公开实施例中,对此不作具体限定。也即,服务器先执行步骤608,再执行步骤609;或者,先执行步骤609,再执行步骤608;或者,同时执行步骤608和609。在本公开实施例中,对服务器执行步骤608和609的顺序不作具体限定。
步骤610:服务器根据该第二相似度和该第三相似度,确定与该目标对象匹配的参考对象。
继续参见图7,在本步骤中,服务器结合不同版本的特征提取模型的相似度确定该目标对象匹配的参考对象。
在一些实施例中,服务器分别对升级前和升级后的特征库对应的相似度进行排序,分别根据不同特征库对应的排序结果确定与该目标对象匹配的参考对象。该过程通过步骤(A1)-(A3)实现,包括:
(A1)服务器根据该第二相似度对该至少一个第一特征对应的检索结果进行排序,得到第二排序结果。
本步骤与步骤406相似,在此不再赘述。
(A2)服务器根据该第三相似度对该至少一个第二特征对应的检索结果进行排序,得到第三排序结果。
本步骤与步骤406相似,在此不再赘述。
需要说明的一点是,服务器先确定第二排序结果,再确定第三排序结果;或者,服务器先获取第三排序结果,再获取第二排序结果;或者,服务器同时获取第二排序结果和第三排序结果。也即,服务器先执行步骤(A1),再执行步骤(A2);或者,服务器先执行步骤(A2),再执行步骤(A1);或者,服务器同时执行步骤(A1)-(A2)。在本公开实施例中,对步骤(A1)和(A2)的执行顺序不作看具体限定。
(A3)服务器分别根据该第二排序结果和该第三排序结果,从该多个第一参考对象和该至少一个第二参考对象中确定与该目标对象匹配的参考对象。
在本步骤中,服务器分别根据第二排序结果和第三排序结果确定与该目标对象匹配的参考对象。其中,服务器分别根据第二排序结果和第三排序结果确定与该目标对象匹配的参考对象与步骤407相似,在此不再赘述。
在本实现方式中,通过分别将不同特征提取模型提取到的特征,与对应的特征库中的特征进行对比,从而根据不同的相似度对比结果与该目标对象匹配的参考对象,从而提高了检索目标对象的准确率。
在一些实施例中,服务器将第二相似度和第三相似度映射为相同度量空间,从而将两种相似度进行统一排序,再根据统一排序的排序结果确定与该目标对象匹配的参考对象。该过程通过以下步骤(B1)-(B4)实现,包括:
(B1)服务器确定该第二相似度和该第三相似度的映射关系。
在本步骤中,服务器确定相同相似情况分别对应的第二相似度和第三相速度,进而确定第二相似度和第三相似度的映射关系。
(B2)服务器根据该映射关系,将该第二相似度映射为该第三相似度对应的相似度空间,得到第四相似度。
在本步骤中,根据该映射关系将第二相似度进行调整,得到与第三相似度的度量空间一致的第四相似度。
(B3)服务器根据该第三相似度和该第四相似度对该多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果。
本步骤与步骤406相似,在此不再赘述。
(B4)服务器根据该第四排序结果确定与该目标对象匹配的参考对象。
本步骤与步骤407相似,在此不再赘述。
在本实现方式中,通过将升级前后版本的相似度映射到同一相似度空间中,使得升级前和升级后相似度的度量空间一致,从而使得升级前和升级后的相似度能够同意进行衡量,简化了根据相似度进行排序的过程,提高了确定与该目标对象匹配的参考对象的效率。
在一些可能的实现方式中,服务器将第一特征库转化成第二特征库,并且,将升级后获取到的第二参考对象,通过第二特征提取模型提取第二参考对象的第二特征,将该第二特征存储至第二特征库中,保留升级前的第一特征提取模型和第一特征提取模型对应的第一特征库,这样在对目标对象进行检索时,通过两个模型分别进行检索,提高了检索的准确性。
在本实现方式中,分别通过第一特征提取模型和第二特征提取模型提取特征,并分别将提取到的特征与对应的特征库进行相似度对比,从而提高了检索目标对象的准确率。
在本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
图8是根据一示例性实施例示出的一种目标对象的检索装置的框图。该装置用于执行上述方法时执行的步骤,参见图8,装置包括:
获取模块801,用于获取第一特征库,该第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;
第一确定模块802,用于根据该第一特征库,确定第二特征提取模型对应的目标特征库,该第二特征提取模型为该第一特征提取模型升级后的特征提取模型;
第二确定模块803,用于响应于获取到待检索的目标对象,通过该第二特征提取模型和该目标特征库,从该多个第一参考对象中,确定与该目标对象匹配的参考对象。
在一些实施例中,该第一确定模块802包括:
转译单元,用于基于该第一特征提取模型和该第二特征提取模型,将该第一特征库转译为第二特征库;
第一确定单元,用于将该第二特征库确定为该目标特征库。
在一些实施例中,该转译单元,用于根据该第一特征提取模型和该第二特征提取模型,获取转译模型;将该第一特征库中的多个第一特征输入至该转译模型中,得到多个第二特征,该第二特征为与该第二特征提取模型匹配的特征;将该多个第二特征组成该第二特征库。
在一些实施例中,该第一确定单元,用于通过该第二特征提取模型,确定该目标对象的第一待检索特征;分别将该第一待检索特征与该目标特征库中的多个第二特征进行对比,得到该第一待检索特征与每个第二特征的第一相似度;基于该第一待检索特征与该每个第二特征的第一相似度,对该第二特征对应的参考对象进行排序,得到第一排序结果;根据该第一排序结果,从该多个第一参考对象中确定该目标对象匹配的参考对象。
在一些实施例中,该第一确定模块802包括:
获取单元,用于获取待入库的至少一个第二参考对象;
特征提取单元,用于通过该第二特征提取模型分别对该至少一个第二参考对象进行特征提取,得到至少一个第二特征;
第一组成单元,用于将该至少一个第二特征组成第二特征库;
第二组成单元,用于将该第一特征库和该第二特征库组成该目标特征库。
在一些实施例中,该第二确定模块803包括:
第二确定单元,用于通过该第二特征提取模型,确定该目标对象的第一待检索特征;以及,通过该第一特征提取模型,确定该目标对象的第二待检索特征;
对比单元,用于分别将该第二待检索特征与该第一特征库中的至少一个第一特征进行相似度对比,得到该第二待检索特征与每个第一特征的第二相似度;以及,分别将该第一待检索特征与该第二特征库中的多个第二特征进行相似度对比,得到该第一待检索特征与每个第二特征的第三相似度;
第三确定单元,用于根据该第二相似度和该第三相似度,确定与该目标对象匹配的参考对象。
在一些实施例中,该第三确定单元,用于根据该第二相似度对该至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据该第三相似度对该至少一个第二特征对应的检索结果进行排序,得到第三排序结果;分别根据该第二排序结果和该第三排序结果,从该多个第一参考对象和该至少一个第二参考对象中确定与该目标对象匹配的参考对象。
在一些实施例中,该第三确定单元,用于确定该第二相似度和该第三相似度的映射关系;根据该映射关系,将该第二相似度映射为该第三相似度对应的相似度空间,得到第四相似度;根据该第三相似度和该第四相似度对该多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;根据该第四排序结果确定与该目标对象匹配的参考对象。
在本公开实施例中,响应于将第一特征提取模型升级为第二特征提取模型,直接通过第一特征库,来确定第二特征提取模型对应的目标特征库,第一特征库为通过第一特征提取模型对多个参考对象进行特征提取得到的特征库,这样无需通过第二特征提取模型重新对多个参考对象进行特征提取,就能得到第二特征提取模型对应的目标特征库,从而降低了特征提取模型版本升级的计算量,提高了升级效率,进而提高了通过目标特征库进行目标对象检索的效率。
需要说明的是:上述实施例提供的目标对象的检索装置在检索目标对象时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的目标对象的检索装置与目标对象的检索方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图9是根据一示例性实施例提供的一种服务器的结构示意图,该服务器102可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(CentralProcessing Units,CPU)1021和一个或一个以上的存储器1022,其中,该存储器1021中存储有至少一条程序代码,该至少一条程序代码由该处理器1021加载并执行以实现上述各个方法实施例提供的目标对象的检索方法。当然,该服务器102还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器102还可以包括其他用于实现设备功能的部件,在此不做赘述。
本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质应用于终端,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行以实现上述实施例的方法中目标对象的检索装置所执行的操作。
根本公开实施例还提供了一种应用程序,当所述应用程序中的程序代码由服务器的处理器执行时,使得实现本方法实施例中所述目标对象的检索方法中所执行的指令。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中执行了详细描述,此处将不做详细阐述说明。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种目标对象的检索方法,其特征在于,所述方法包括:
获取第一特征库,所述第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;
根据所述第一特征库,确定第二特征提取模型对应的目标特征库,所述第二特征提取模型为所述第一特征提取模型升级后的特征提取模型;
响应于获取到待检索的目标对象,通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一特征库,确定第二特征提取模型对应的目标特征库,包括:
基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库;
将所述第二特征库确定为所述目标特征库。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库,包括:
根据所述第一特征提取模型和所述第二特征提取模型,获取转译模型;
将所述第一特征库中的多个第一特征输入至所述转译模型中,得到多个第二特征,所述第二特征为与所述第二特征提取模型匹配的特征;
将所述多个第二特征组成所述第二特征库。
4.根据权利要求2所述的方法,其特征在于,所述通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象,包括:
通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;
分别将所述第一待检索特征与所述目标特征库中的多个第二特征进行对比,得到所述第一待检索特征与每个第二特征的第一相似度;
基于所述第一待检索特征与所述每个第二特征的第一相似度,对所述第二特征对应的参考对象进行排序,得到第一排序结果;
根据所述第一排序结果,从所述多个第一参考对象中确定所述目标对象匹配的参考对象。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一特征库,确定第二特征提取模型对应的目标特征库,包括:
获取待入库的至少一个第二参考对象;
通过所述第二特征提取模型分别对所述至少一个第二参考对象进行特征提取,得到至少一个第二特征;
将所述至少一个第二特征组成第二特征库;
将所述第一特征库和所述第二特征库组成所述目标特征库。
6.根据权利要求5所述的方法,其特征在于,所述通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象,包括:
通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;以及,通过所述第一特征提取模型,确定所述目标对象的第二待检索特征;
分别将所述第二待检索特征与所述第一特征库中的至少一个第一特征进行相似度对比,得到所述第二待检索特征与每个第一特征的第二相似度;以及,分别将所述第一待检索特征与所述第二特征库中的多个第二特征进行相似度对比,得到所述第一待检索特征与每个第二特征的第三相似度;
根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象,包括:
根据所述第二相似度对所述至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据所述第三相似度对所述至少一个第二特征对应的检索结果进行排序,得到第三排序结果;
分别根据所述第二排序结果和所述第三排序结果,从所述多个第一参考对象和所述至少一个第二参考对象中确定与所述目标对象匹配的参考对象。
8.根据权利要求6所述的方法,其特征在于,所述根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象,包括:
确定所述第二相似度和所述第三相似度的映射关系;
根据所述映射关系,将所述第二相似度映射为所述第三相似度对应的相似度空间,得到第四相似度;
根据所述第三相似度和所述第四相似度对所述多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;
根据所述第四排序结果确定与所述目标对象匹配的参考对象。
9.一种目标对象的检索装置,其特征在于,所述装置包括:
获取模块,用于获取第一特征库,所述第一特征库为第一特征提取模型对多个第一参考对象进行特征提取得到的特征库;
第一确定模块,用于根据所述第一特征库,确定第二特征提取模型对应的目标特征库,所述第二特征提取模型为所述第一特征提取模型升级后的特征提取模型;
第二确定模块,用于响应于获取到待检索的目标对象,通过所述第二特征提取模型和所述目标特征库,从所述多个第一参考对象中,确定与所述目标对象匹配的参考对象。
10.根据权利要求9所述的装置,其特征在于,所述第一确定模块包括:
转译单元,用于基于所述第一特征提取模型和所述第二特征提取模型,将所述第一特征库转译为第二特征库;
第一确定单元,用于将所述第二特征库确定为所述目标特征库。
11.根据权利要求10所述的装置,其特征在于,所述转译单元,用于根据所述第一特征提取模型和所述第二特征提取模型,获取转译模型;将所述第一特征库中的多个第一特征输入至所述转译模型中,得到多个第二特征,所述第二特征为与所述第二特征提取模型匹配的特征;将所述多个第二特征组成所述第二特征库。
12.根据权利要求10所述的装置,其特征在于,所述第一确定单元,用于通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;分别将所述第一待检索特征与所述目标特征库中的多个第二特征进行对比,得到所述第一待检索特征与每个第二特征的第一相似度;基于所述第一待检索特征与所述每个第二特征的第一相似度,对所述第二特征对应的参考对象进行排序,得到第一排序结果;根据所述第一排序结果,从所述多个第一参考对象中确定所述目标对象匹配的参考对象。
13.根据权利要求9所述的装置,其特征在于,所述第一确定模块包括:
获取单元,用于获取待入库的至少一个第二参考对象;
特征提取单元,用于通过所述第二特征提取模型分别对所述至少一个第二参考对象进行特征提取,得到至少一个第二特征;
第一组成单元,用于将所述至少一个第二特征组成第二特征库;
第二组成单元,用于将所述第一特征库和所述第二特征库组成所述目标特征库。
14.根据权利要求13所述的装置,其特征在于,所述第二确定模块包括:
第二确定单元,用于通过所述第二特征提取模型,确定所述目标对象的第一待检索特征;以及,通过所述第一特征提取模型,确定所述目标对象的第二待检索特征;
对比单元,用于分别将所述第二待检索特征与所述第一特征库中的至少一个第一特征进行相似度对比,得到所述第二待检索特征与每个第一特征的第二相似度;以及,分别将所述第一待检索特征与所述第二特征库中的多个第二特征进行相似度对比,得到所述第一待检索特征与每个第二特征的第三相似度;
第三确定单元,用于根据所述第二相似度和所述第三相似度,确定与所述目标对象匹配的参考对象。
15.根据权利要求14所述的装置,其特征在于,所述第三确定单元,用于根据所述第二相似度对所述至少一个第一特征对应的检索结果进行排序,得到第二排序结果;以及,根据所述第三相似度对所述至少一个第二特征对应的检索结果进行排序,得到第三排序结果;分别根据所述第二排序结果和所述第三排序结果,从所述多个第一参考对象和所述至少一个第二参考对象中确定与所述目标对象匹配的参考对象。
16.根据权利要求14所述的装置,其特征在于,所述第三确定单元,用于确定所述第二相似度和所述第三相似度的映射关系;根据所述映射关系,将所述第二相似度映射为所述第三相似度对应的相似度空间,得到第四相似度;根据所述第三相似度和所述第四相似度对所述多个第一参考对象和至少一个第二参考对象进行排序,得到第四排序结果;根据所述第四排序结果确定与所述目标对象匹配的参考对象。
17.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至8任一项权利要求所述的目标对象的检索方法的指令。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现1-8任一项权利要求所述的目标对象的检索方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270661.8A CN112329797A (zh) | 2020-11-13 | 2020-11-13 | 目标对象的检索方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270661.8A CN112329797A (zh) | 2020-11-13 | 2020-11-13 | 目标对象的检索方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329797A true CN112329797A (zh) | 2021-02-05 |
Family
ID=74318316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011270661.8A Pending CN112329797A (zh) | 2020-11-13 | 2020-11-13 | 目标对象的检索方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329797A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989096A (zh) * | 2021-03-05 | 2021-06-18 | 浙江大华技术股份有限公司 | 脸部特征迁移方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934240A (zh) * | 2019-03-12 | 2019-06-25 | 深圳市商汤科技有限公司 | 特征更新方法及装置、电子设备和存储介质 |
CN110110126A (zh) * | 2019-04-29 | 2019-08-09 | 北京达佳互联信息技术有限公司 | 查询人物的面部图像的方法、装置和服务器 |
CN110895467A (zh) * | 2018-09-13 | 2020-03-20 | 深圳市蓝灯鱼智能科技有限公司 | 检索模型的更新方法、装置、存储介质及电子装置 |
CN110929057A (zh) * | 2018-08-30 | 2020-03-27 | 深圳市蓝灯鱼智能科技有限公司 | 图像处理方法、装置和系统、存储介质及电子装置 |
CN111177436A (zh) * | 2018-11-09 | 2020-05-19 | 浙江宇视科技有限公司 | 一种人脸特征检索方法、装置及设备 |
US20200250226A1 (en) * | 2019-03-28 | 2020-08-06 | Beijing Dajia Internet Information Technology Co., Ltd. | Similar face retrieval method, device and storage medium |
CN111522570A (zh) * | 2020-06-19 | 2020-08-11 | 杭州海康威视数字技术股份有限公司 | 目标库更新方法、装置、电子设备及机器可读存储介质 |
CN111581421A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 图像检索方法、图像检索装置及图像检索系统 |
-
2020
- 2020-11-13 CN CN202011270661.8A patent/CN112329797A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929057A (zh) * | 2018-08-30 | 2020-03-27 | 深圳市蓝灯鱼智能科技有限公司 | 图像处理方法、装置和系统、存储介质及电子装置 |
CN110895467A (zh) * | 2018-09-13 | 2020-03-20 | 深圳市蓝灯鱼智能科技有限公司 | 检索模型的更新方法、装置、存储介质及电子装置 |
CN111177436A (zh) * | 2018-11-09 | 2020-05-19 | 浙江宇视科技有限公司 | 一种人脸特征检索方法、装置及设备 |
CN109934240A (zh) * | 2019-03-12 | 2019-06-25 | 深圳市商汤科技有限公司 | 特征更新方法及装置、电子设备和存储介质 |
US20200250226A1 (en) * | 2019-03-28 | 2020-08-06 | Beijing Dajia Internet Information Technology Co., Ltd. | Similar face retrieval method, device and storage medium |
CN110110126A (zh) * | 2019-04-29 | 2019-08-09 | 北京达佳互联信息技术有限公司 | 查询人物的面部图像的方法、装置和服务器 |
CN111581421A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 图像检索方法、图像检索装置及图像检索系统 |
CN111522570A (zh) * | 2020-06-19 | 2020-08-11 | 杭州海康威视数字技术股份有限公司 | 目标库更新方法、装置、电子设备及机器可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989096A (zh) * | 2021-03-05 | 2021-06-18 | 浙江大华技术股份有限公司 | 脸部特征迁移方法、电子设备及存储介质 |
CN112989096B (zh) * | 2021-03-05 | 2023-03-14 | 浙江大华技术股份有限公司 | 脸部特征迁移方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7343568B2 (ja) | 機械学習のためのハイパーパラメータの識別および適用 | |
CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN112801215B (zh) | 图像处理模型搜索、图像处理方法、装置和存储介质 | |
CN110941698B (zh) | 一种基于bert下卷积神经网络的服务发现方法 | |
CN113298197B (zh) | 数据聚类方法、装置、设备及可读存储介质 | |
CN110807472B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
JP2006190191A (ja) | 情報処理装置および方法、並びにプログラム | |
CN110263133B (zh) | 基于知识图谱的问答方法、电子装置、设备及存储介质 | |
CN112328891A (zh) | 训练搜索模型的方法、搜索目标对象的方法及其装置 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
CN114564522A (zh) | 基于区块链和大数据挖掘的智能推送处理方法及系统 | |
CN114564566A (zh) | 应用云业务联动大数据处理方法及云业务人工智能系统 | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
CN113254687B (zh) | 图像检索、图像量化模型训练方法、装置和存储介质 | |
CN113761124B (zh) | 文本编码模型的训练方法、信息检索方法及设备 | |
CN112329797A (zh) | 目标对象的检索方法、装置、服务器和存储介质 | |
CN116883740A (zh) | 相似图片识别方法、装置、电子设备和存储介质 | |
CN116304155A (zh) | 基于二维图片的三维构件检索方法、装置、设备及介质 | |
CN112633369B (zh) | 图像匹配方法、装置、电子设备、计算机可读存储介质 | |
CN113704528A (zh) | 聚类中心确定方法、装置和设备及计算机存储介质 | |
CN110674342B (zh) | 查询目标图像的方法和装置 | |
CN113946365A (zh) | 页面识别方法、装置、计算机设备和存储介质 | |
CN113269176B (zh) | 图像处理模型训练、图像处理方法、装置和计算机设备 | |
KR102399833B1 (ko) | 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법 |
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 |