CN116450875A - 图像检索及特征提取模型训练方法、装置及存储介质 - Google Patents

图像检索及特征提取模型训练方法、装置及存储介质 Download PDF

Info

Publication number
CN116450875A
CN116450875A CN202310406907.7A CN202310406907A CN116450875A CN 116450875 A CN116450875 A CN 116450875A CN 202310406907 A CN202310406907 A CN 202310406907A CN 116450875 A CN116450875 A CN 116450875A
Authority
CN
China
Prior art keywords
image
feature extraction
extraction model
local
training
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
Application number
CN202310406907.7A
Other languages
English (en)
Inventor
宋雨鑫
李甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310406907.7A priority Critical patent/CN116450875A/zh
Publication of CN116450875A publication Critical patent/CN116450875A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了图像检索及特征提取模型训练方法、装置及存储介质，涉及计算机视觉、图像处理以及深度学习等人工智能领域。所述图像检索方法可包括：获取目标图像，并获取目标图像的融合特征；根据目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为目标图像的检索结果的候选图像；融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于视觉编码器构建出的。应用本公开所述方案，可提升检索效率等。

Description

图像检索及特征提取模型训练方法、装置及存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及计算机视觉、图像处理以及深度学习等领域的图像检索及特征提取模型训练方法、装置及存储介质。
背景技术
图像检索旨在从图像库中检索出与待查询的目标图像相同或相似的图像，广泛应用于商品推荐、广告配图以及素材推荐等业务场景。
发明内容
本公开提供了图像检索及特征提取模型训练方法、装置及存储介质。
一种图像检索方法，包括：
获取目标图像，并获取所述目标图像的融合特征；
根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为所述目标图像的检索结果的候选图像；所述融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，所述第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，所述第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
一种特征提取模型训练方法，包括：
基于预训练数据集训练得到跨模态预训练模型；
从所述跨模态预训练模型中提取出视觉编码器，并基于所述视觉编码器构建出第一特征提取模型；
获取图像检索任务对应的训练数据，利用所述训练数据对所述第一特征提取模型进行微调，得到第二特征提取模型，所述第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，所述融合特征中同时融合有图像的全局特征以及局部特征，所述融合特征用于确定出作为所述目标图像的检索结果的候选图像。
一种图像检索装置，包括：获取单元以及确定单元；
所述获取单元，用于获取目标图像，并获取所述目标图像的融合特征；
所述确定单元，用于根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为所述目标图像的检索结果的候选图像；所述融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，所述第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，所述第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
一种特征提取模型训练装置，包括：预训练单元、构建单元以及微调单元；
所述预训练单元，用于基于预训练数据集训练得到跨模态预训练模型；
所述构建单元，用于从所述跨模态预训练模型中提取出视觉编码器，并基于所述视觉编码器构建出第一特征提取模型；
所述微调单元，用于获取图像检索任务对应的训练数据，利用所述训练数据对所述第一特征提取模型进行微调，得到第二特征提取模型，所述第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，所述融合特征中同时融合有图像的全局特征以及局部特征，所述融合特征用于确定出作为所述目标图像的检索结果的候选图像。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开所述图像检索方法实施例的流程图；
图2为本公开所述特征提取模型训练方法实施例的流程图；
图3为本公开所述骨干网络的组成结构示意图；
图4为本公开所述局部分支的组成结构示意图；
图5为本公开所述第一特征提取模型的组成结构示意图；
图6为本公开所述图像检索装置实施例600的组成结构示意图；
图7为本公开所述特征提取模型训练装置实施例700的组成结构示意图；
图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述图像检索方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，获取目标图像，并获取目标图像的融合特征。
在步骤102中，根据目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为目标图像的检索结果的候选图像；融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
传统方式中，在进行图像检索时，通常采用双阶段检索方式，即针对目标图像以及图像库中的各候选图像，分别获取图像的全局特征(或称为全局描述子)以及局部特征(或称为局部描述子)，相应地，首先通过全局特征从图像库中召回多个候选图像，之后利用局部特征对召回的多个候选图像进行重排序，根据重排序结果确定出最终的检索结果。
上述方式中，由于需要进行两个阶段的检索处理，因此效率低下，而且，需要耗费大量的存储资源来维护图像库中的各候选图像的全局特征以及大量的局部特征。
而采用上述方法实施例所述方案，针对目标图像以及各候选图像，可借助于特征提取模型，直接获取到融合有全局特征以及局部特征的融合特征，从而仅需进行单阶段的检索即可得到所需的检索结果，进而提升了检索效率，而且，只需对各候选图像的融合特征进行存储即可，从而节省了存储资源，另外，基于大规模跨模态预训练模型迁移得到的特征提取模型具有更为丰富的语义信息提取能力等，从而提升了模型的泛化性和鲁棒性，进而提升了特征提取效果以及提升了图像检索结果的准确性等。
针对目标图像，可利用第二特征提取模型提取其融合特征，融合特征中同时融合有图像的全局特征以及局部特征。另外，针对图像库中的各候选图像，同样可利用第二特征提取模型提取其融合特征，各候选图像的融合特征可预先提取并存储，从而可在图像检索时直接使用，进而进一步提升了检索效率等。
第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从跨模态预训练模型中提取出视觉编码器后、基于所述视觉编码器构建出的。
本公开所述方案中，为便于区分，将微调前的特征提取模型称为第一特征提取模型，将微调后的特征提取模型称为第二特征提取模型。
优选地，第一特征提取模型可由全局分支、局部分支以及交叉注意力模块组成，全局分支即为所述视觉编码器，其中，全局分支用于提取图像的全局特征，局部分支用于提取图像的局部特征，交叉注意力模块用于对全局特征以及局部特征进行融合以得到融合特征。
即可利用跨模态预训练模型中包含的丰富语义表示作为特征提取模型中的全局分支并形成全局特征，从而增强了特征提取模型的泛化性以及鲁棒性等。
优选地，全局分支的骨干网络中可包括M个块(block)，M为大于一的正整数，其中的第N个block的输出可分别作为第N+1个block以及局部分支的输入，N为大于一的正整数，且N小于M。
M和N的具体取值均可根据实际需要而定，优选地，M可为12，N可为4。
即可借助于视觉编码器中的信息来生成图像的局部特征，从而提升了局部特征的提取效果等。
另外，优选地，局部分支中可包括：基于窗口的自注意力模块，以及与基于窗口的自注意力模块串联的空间注意力模块。
其中，基于窗口的自注意力模块可模拟图像局部区域的多种视觉模式，而空间注意力模块可进一步通过可学习的抽样策略来提取出图像的局部特征。
根据目标图像的融合特征以及图像库中的各候选图像的融合特征，可确定出作为目标图像的检索结果的候选图像。优选地，可根据目标图像的融合特征以及图像库中的各候选图像的融合特征，分别确定出目标图像与各候选图像之间的相似度，其中，可采用已有的各种相似度计算方式，进一步地，可按照相似度从大到小的顺序对各候选图像进行排序，将排序后处于前P位的候选图像作为所述检索结果，P为正整数，具体取值可根据实际需要而定，或者，将相似度大于预定阈值的候选图像作为所述检索结果，所述阈值的具体取值同样可根据实际需要而定。
在实际应用中，可根据实际需要采用上述的任一方式，非常的灵活方便。
可以看出，本公开所述图像检索方法的实现需要依赖于预先训练得到的特征提取模型，以下即对特征提取模型的训练方式进行进一步说明。
图2为本公开所述特征提取模型训练方法实施例的流程图。如图2所示，包括以下具体实现方式。
在步骤201中，基于预训练数据集训练得到跨模态预训练模型。
在步骤202中，从跨模态预训练模型中提取出视觉编码器，并基于视觉编码器构建出第一特征提取模型。
在步骤203中，获取图像检索任务对应的训练数据，利用所述训练数据对第一特征提取模型进行微调，得到第二特征提取模型，第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，融合特征中同时融合有图像的全局特征以及局部特征，融合特征用于确定出作为目标图像的检索结果的候选图像。
采用上述方法实施例所述方案，针对目标图像以及各候选图像，可借助于特征提取模型，直接获取到融合有全局特征以及局部特征的融合特征，从而仅需进行单阶段的检索即可得到所需的检索结果，进而提升了检索效率，而且，只需对各候选图像的融合特征进行存储即可，从而节省了存储资源，另外，基于大规模跨模态预训练模型迁移得到的特征提取模型具有更为丰富的语义信息提取能力等，从而提升了模型的泛化性和鲁棒性，进而提升了特征提取效果以及提升了图像检索结果的准确性等。
首先，可基于预训练数据集训练得到跨模态预训练模型。预训练数据集以及跨模态预训练模型具体为何种类型不作限制。优选地，预训练数据集可为基于维基百科的图像文本(WIT，Wikipedia-BasedImageText)数据集，具体地，可为WIT-400M数据集，另外，跨模态预训练模型可为对比语言图像预训练(CLIP，ContrastiveLanguage-ImagePre-training)模型。
另外，可从跨模态预训练模型中提取出视觉编码器，即丢弃跨模态预训练模型中的其它部分(用于处理文本信息的部分)，仅提取出处理视觉信息的视觉编码器。
进一步地，可基于提取出的视觉编码器构建出第一特征提取模型。优选地，可将视觉编码器作为全局分支，构建出由全局分支、局部分支以及交叉注意力模块组成的第一特征提取模型，其中，全局分支用于提取全局特征，局部分支用于提取局部特征，交叉注意力模块用于对全局特征以及局部特征进行融合以得到融合特征。
即可利用跨模态预训练模型中包含的丰富语义表示作为特征提取模型中的全局分支并形成全局特征，从而增强了特征提取模型的泛化性以及鲁棒性等。
优选地，全局分支的骨干网络中可包括M个block，M为大于一的正整数，其中的第N个block的输出可分别作为第N+1个block以及局部分支的输入，N为大于一的正整数，且N小于M。
M和N的具体取值均可根据实际需要而定，优选地，M可为12，N可为4。
即可借助于视觉编码器中的信息来生成图像的局部特征，从而提升了局部特征的提取效果等。
图3为本公开所述骨干网络的组成结构示意图。如图3所示，其中可包括12个block，每4个block可分为一组，其中，第一组中可包括block1～block4，第二组中可包括block5～block8，第三组中可包括block9～block12，可将第一组的输出(即block4的输出)作为局部分支的输入，同时，该输出也会作为第二组的输入(即block5的输入)。
基于上述第一组block，可构建出局部分支。优选地，局部分支中可包括：基于窗口的自注意力模块，以及与基于窗口的自注意力模块串联的空间注意力模块。
相应地，图4为本公开所述局部分支的组成结构示意图。如图4所示，其中，基于窗口的自注意力模块可模拟图像局部区域的多种视觉模式，而空间注意力模块可进一步通过可学习的抽样策略来提取出图像的局部特征。
可学习的交叉注意力模块可对提取出的全局特征以及局部特征进行融合，从而得到所需的融合特征，融合方式可通过学习得到。
结合上述介绍，图5为本公开所述第一特征提取模型(第二特征提取模型相同)的组成结构示意图。如图5所示，针对输入的图像，如目标图像或候选图像等，可通过全局分支提取出全局特征fG，并可通过局部分支提取出局部特征fL，进一步地，交叉注意力模块可分别获取全局分支输出的全局特征fG以及局部分支输出的局部特征fL，并可对两者进行融合，从而得到融合特征f输出。
针对构建出的第一特征提取模型，还可获取图像检索任务对应的训练数据，并可利用获取到的训练数据对第一特征提取模型进行微调，从而得到第二特征提取模型。
优选地，在微调过程中，可截断全局分支的梯度更新，仅对局部分支以及交叉注意力模块进行梯度更新。
即可保持全局分支不变，从而可使得跨模态预训练模型中的语义知识尽可能地迁移到第二特征提取模型中，另外，采用了预训练+微调的双阶段训练方式，并在微调阶段，仅对局部分支和交叉注意力模块进行参数更新，即在微调阶段仅训练模型的一部分，从而提升了训练速度及降低了训练成本等。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。
总之，采用本公开方法实施例所述方案，可提升模型性能，并可提升图像检索效率以及提升图像检索结果的准确性等，而且，对于各种业务场景均可适用，具有普遍适用性。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图6为本公开所述图像检索装置实施例600的组成结构示意图。如图6所示，包括：获取单元610以及确定单元602。
获取单元601，用于获取目标图像，并获取目标图像的融合特征。
确定单元602，用于根据目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为目标图像的检索结果的候选图像；融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
采用上述装置实施例所述方案，针对目标图像以及各候选图像，可借助于特征提取模型，直接获取到融合有全局特征以及局部特征的融合特征，从而仅需进行单阶段的检索即可得到所需的检索结果，进而提升了检索效率，而且，只需对各候选图像的融合特征进行存储即可，从而节省了存储资源，另外，基于大规模跨模态预训练模型迁移得到的特征提取模型具有更为丰富的语义信息提取能力等，从而提升了模型的泛化性和鲁棒性，进而提升了特征提取效果以及提升了图像检索结果的准确性等。
针对目标图像，可利用第二特征提取模型提取其融合特征，融合特征中同时融合有图像的全局特征以及局部特征。另外，针对图像库中的各候选图像，同样可利用第二特征提取模型提取其融合特征，各候选图像的融合特征可预先提取并存储，从而可在图像检索时直接使用，进而可进一步提升检索效率等。
第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从跨模态预训练模型中提取出视觉编码器后、基于所述视觉编码器构建出的。
优选地，第一特征提取模型可由全局分支、局部分支以及交叉注意力模块组成，全局分支即为所述视觉编码器，其中，全局分支用于提取图像的全局特征，局部分支用于提取图像的局部特征，交叉注意力模块用于对全局特征以及局部特征进行融合以得到融合特征。
优选地，全局分支的骨干网络中可包括M个block，M为大于一的正整数，其中的第N个block的输出可分别作为第N+1个block以及局部分支的输入，N为大于一的正整数，且N小于M。
另外，优选地，局部分支中可包括：基于窗口的自注意力模块，以及与基于窗口的自注意力模块串联的空间注意力模块。
根据目标图像的融合特征以及图像库中的各候选图像的融合特征，确定单元602可确定出作为目标图像的检索结果的候选图像。优选地，确定单元602可根据目标图像的融合特征以及图像库中的各候选图像的融合特征，分别确定出目标图像与各候选图像之间的相似度，进一步地，可按照相似度从大到小的顺序对各候选图像进行排序，将排序后处于前P位的候选图像作为所述检索结果，P为正整数，或者，将相似度大于预定阈值的候选图像作为所述检索结果。
图7为本公开所述特征提取模型训练装置实施例700的组成结构示意图。如图7所示，包括：预训练单元701、构建单元702以及微调单元703。
预训练单元701，用于基于预训练数据集训练得到跨模态预训练模型。
构建单元702，用于从跨模态预训练模型中提取出视觉编码器，并基于视觉编码器构建出第一特征提取模型。
微调单元703，用于获取图像检索任务对应的训练数据，利用所述训练数据对第一特征提取模型进行微调，得到第二特征提取模型，第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，融合特征中同时融合有图像的全局特征以及局部特征，融合特征用于确定出作为目标图像的检索结果的候选图像。
采用上述装置实施例所述方案，针对目标图像以及各候选图像，可借助于特征提取模型，直接获取到融合有全局特征以及局部特征的融合特征，从而仅需进行单阶段的检索即可得到所需的检索结果，进而提升了检索效率，而且，只需对各候选图像的融合特征进行存储即可，从而节省了存储资源，另外，基于大规模跨模态预训练模型迁移得到的特征提取模型具有更为丰富的语义信息提取能力等，从而提升了模型的泛化性和鲁棒性，进而提升了特征提取效果以及提升了图像检索结果的准确性等。
首先，预训练单元701可基于预训练数据集训练得到跨模态预训练模型。优选地，预训练数据集可为WIT数据集，具体地，可为WIT-400M数据集，另外，跨模态预训练模型可为CLIP模型。
之后，构建单元702可从跨模态预训练模型中提取出视觉编码器，并可基于提取出的视觉编码器构建出第一特征提取模型，优选地，可将视觉编码器作为全局分支，构建出由全局分支、局部分支以及交叉注意力模块组成的第一特征提取模型，其中，全局分支用于提取全局特征，局部分支用于提取局部特征，交叉注意力模块用于对全局特征以及局部特征进行融合以得到融合特征。
优选地，全局分支的骨干网络中可包括M个block，M为大于一的正整数，其中的第N个block的输出可分别作为第N+1个block以及局部分支的输入，N为大于一的正整数，且N小于M。
另外，优选地，局部分支中可包括：基于窗口的自注意力模块，以及与基于窗口的自注意力模块串联的空间注意力模块。
可学习的交叉注意力模块可对提取出的全局特征以及局部特征进行融合，从而得到所需的融合特征，融合方式可通过学习得到。
针对构建出的第一特征提取模型，微调单元703还可获取图像检索任务对应的训练数据，并可利用获取到的训练数据对第一特征提取模型进行微调，从而得到第二特征提取模型。
优选地，在微调过程中，微调单元703可截断全局分支的梯度更新，仅对局部分支以及交叉注意力模块进行梯度更新。
图6和图7所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开装置实施例所述方案，可提升模型性能，并可提升图像检索效率以及提升图像检索结果的准确性等，而且，对于各种业务场景均可适用，具有普遍适用性。
本公开所述方案可应用于人工智能领域，特别涉及计算机视觉、图像处理以及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
另外，本公开所述实施例中的图像并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种图像检索方法，包括：
获取目标图像，并获取所述目标图像的融合特征；
根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为所述目标图像的检索结果的候选图像；所述融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，所述第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，所述第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
2.根据权利要求1所述的方法，其中，
所述第一特征提取模型由全局分支、局部分支以及交叉注意力模块组成，所述全局分支为所述视觉编码器；
其中，所述全局分支用于提取所述全局特征，所述局部分支用于提取所述局部特征，所述交叉注意力模块用于对所述全局特征以及所述局部特征进行融合以得到所述融合特征。
3.根据权利要求2所述的方法，其中，
所述全局分支的骨干网络中包括M个块，M为大于一的正整数，其中的第N个块的输出分别作为第N+1个块以及所述局部分支的输入，N为大于一的正整数，且N小于M。
4.根据权利要求2或3所述的方法，其中，
所述局部分支中包括：基于窗口的自注意力模块，以及与所述基于窗口的自注意力模块串联的空间注意力模块。
5.根据权利要求1所述的方法，其中，
所述确定出作为所述目标图像的检索结果的候选图像包括：
根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，分别确定出所述目标图像与各候选图像之间的相似度；
按照所述相似度从大到小的顺序对各候选图像进行排序，将排序后处于前P位的候选图像作为所述检索结果，P为正整数，或者，将所述相似度大于预定阈值的候选图像作为所述检索结果。
6.一种特征提取模型训练方法，包括：
基于预训练数据集训练得到跨模态预训练模型；
从所述跨模态预训练模型中提取出视觉编码器，并基于所述视觉编码器构建出第一特征提取模型；
获取图像检索任务对应的训练数据，利用所述训练数据对所述第一特征提取模型进行微调，得到第二特征提取模型，所述第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，所述融合特征中同时融合有图像的全局特征以及局部特征，所述融合特征用于确定出作为所述目标图像的检索结果的候选图像。
7.根据权利要求6所述的方法，其中，
所述基于所述视觉编码器构建出第一特征提取模型包括：
将所述视觉编码器作为全局分支，构建出由所述全局分支、局部分支以及交叉注意力模块组成的所述第一特征提取模型；
其中，所述全局分支用于提取所述全局特征，所述局部分支用于提取所述局部特征，所述交叉注意力模块用于对所述全局特征以及所述局部特征进行融合以得到所述融合特征。
8.根据权利要求7所述的方法，其中，
所述全局分支的骨干网络中包括M个块，M为大于一的正整数，其中的第N个块的输出分别作为第N+1个块以及所述局部分支的输入，N为大于一的正整数，且N小于M。
9.根据权利要求7所述的方法，其中，
所述局部分支中包括：基于窗口的自注意力模块，以及与所述基于窗口的自注意力模块串联的空间注意力模块。
10.根据权利要求7、8或9所述的方法，其中，
所述利用所述训练数据对所述第一特征提取模型进行微调包括：
在微调过程中，截断所述全局分支的梯度更新，仅对所述局部分支以及所述交叉注意力模块进行梯度更新。
11.一种图像检索装置，包括：获取单元以及确定单元；
所述获取单元，用于获取目标图像，并获取所述目标图像的融合特征；
所述确定单元，用于根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，确定出作为所述目标图像的检索结果的候选图像；所述融合特征为利用第二特征提取模型提取得到的，其中同时融合有图像的全局特征以及局部特征，所述第二特征提取模型为利用图像检索任务对应的训练数据对第一特征提取模型进行微调后得到的，所述第一特征提取模型为基于预训练数据集训练得到跨模态预训练模型并从中提取出视觉编码器后、基于所述视觉编码器构建出的。
12.根据权利要求11所述的装置，其中，
所述第一特征提取模型由全局分支、局部分支以及交叉注意力模块组成，所述全局分支为所述视觉编码器；
其中，所述全局分支用于提取所述全局特征，所述局部分支用于提取所述局部特征，所述交叉注意力模块用于对所述全局特征以及所述局部特征进行融合以得到所述融合特征。
13.根据权利要求12所述的装置，其中，
所述全局分支的骨干网络中包括M个块，M为大于一的正整数，其中的第N个块的输出分别作为第N+1个块以及所述局部分支的输入，N为大于一的正整数，且N小于M。
14.根据权利要求12或13所述的装置，其中，
所述局部分支中包括：基于窗口的自注意力模块，以及与所述基于窗口的自注意力模块串联的空间注意力模块。
15.根据权利要求11所述的装置，其中，
所述确定单元根据所述目标图像的融合特征以及图像库中的各候选图像的融合特征，分别确定出所述目标图像与各候选图像之间的相似度，按照所述相似度从大到小的顺序对各候选图像进行排序，将排序后处于前P位的候选图像作为所述检索结果，P为正整数，或者，将所述相似度大于预定阈值的候选图像作为所述检索结果。
16.一种特征提取模型训练装置，包括：预训练单元、构建单元以及微调单元；
所述预训练单元，用于基于预训练数据集训练得到跨模态预训练模型；
所述构建单元，用于从所述跨模态预训练模型中提取出视觉编码器，并基于所述视觉编码器构建出第一特征提取模型；
所述微调单元，用于获取图像检索任务对应的训练数据，利用所述训练数据对所述第一特征提取模型进行微调，得到第二特征提取模型，所述第二特征提取模型用于提取出图像检索时的目标图像以及图像库中的各候选图像的融合特征，所述融合特征中同时融合有图像的全局特征以及局部特征，所述融合特征用于确定出作为所述目标图像的检索结果的候选图像。
17.根据权利要求16所述的装置，其中，
所述构建单元将所述视觉编码器作为全局分支，构建出由所述全局分支、局部分支以及交叉注意力模块组成的所述第一特征提取模型；
其中，所述全局分支用于提取所述全局特征，所述局部分支用于提取所述局部特征，所述交叉注意力模块用于对所述全局特征以及所述局部特征进行融合以得到所述融合特征。
18.根据权利要求17所述的装置，其中，
所述全局分支的骨干网络中包括M个块，M为大于一的正整数，其中的第N个块的输出分别作为第N+1个块以及所述局部分支的输入，N为大于一的正整数，且N小于M。
19.根据权利要求17所述的装置，其中，
所述局部分支中包括：基于窗口的自注意力模块，以及与所述基于窗口的自注意力模块串联的空间注意力模块。
20.根据权利要求17、18或19所述的装置，其中，
所述微调单元在微调过程中，截断所述全局分支的梯度更新，仅对所述局部分支以及所述交叉注意力模块进行梯度更新。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-10中任一项所述的方法。
CN202310406907.7A 2023-04-17 2023-04-17 图像检索及特征提取模型训练方法、装置及存储介质 Pending CN116450875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310406907.7A CN116450875A (zh) 2023-04-17 2023-04-17 图像检索及特征提取模型训练方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310406907.7A CN116450875A (zh) 2023-04-17 2023-04-17 图像检索及特征提取模型训练方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116450875A true CN116450875A (zh) 2023-07-18

Family

ID=87126817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310406907.7A Pending CN116450875A (zh) 2023-04-17 2023-04-17 图像检索及特征提取模型训练方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116450875A (zh)

Similar Documents

Publication Publication Date Title
CN111522967A (zh) 知识图谱构建方法、装置、设备以及存储介质
CN113344089B (zh) 模型训练方法、装置及电子设备
CN113989593A (zh) 图像处理方法、检索方法、训练方法、装置、设备及介质
CN113343803A (zh) 模型训练方法、装置、设备和存储介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN112948608A (zh) 图片查找方法、装置、电子设备及计算机可读存储介质
CN112528146B (zh) 内容资源推荐方法、装置、电子设备及存储介质
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN112699237B (zh) 标签确定方法、设备和存储介质
CN115248890A (zh) 用户兴趣画像的生成方法、装置、电子设备以及存储介质
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN113641829A (zh) 图神经网络的训练与知识图谱的补全方法、装置
CN112784102A (zh) 视频检索方法、装置和电子设备
CN115186738B (zh) 模型训练方法、装置和存储介质
CN116257690A (zh) 一种资源推荐方法、装置、电子设备和存储介质
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN114281990A (zh) 文档分类方法及装置、电子设备和介质
CN116450875A (zh) 图像检索及特征提取模型训练方法、装置及存储介质
CN113590774A (zh) 事件查询方法、装置以及存储介质
CN116383491B (zh) 信息推荐方法、装置、设备、存储介质和程序产品
CN115168537B (zh) 语义检索模型的训练方法、装置、电子设备及存储介质
CN115131709B (zh) 视频类别预测方法、视频类别预测模型的训练方法及装置
CN116401382A (zh) 样本数据获取及模型获取方法、装置、设备及存储介质
CN116168316A (zh) 视频处理及视频内容查找方法、装置、电子设备及介质
CN116415050A (zh) 信息搜索方法、装置、电子设备及存储介质

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