本申請涉及圖像檢索技術(shù)領(lǐng)域，具體涉及一種深度模型訓(xùn)練方法及裝置、圖像檢索方法及裝置。

背景技術(shù)：

目前現(xiàn)有的檢索相似圖像的圖像檢索技術(shù)方案中，通常包括以下兩類方法：第一類利用傳統(tǒng)計算機視覺方法抽取出圖片特征，再對特征進行距離度量并進行排序給出檢索結(jié)果；第二類利用深度學(xué)習(xí)模型抽取出圖片特征，再對特征進行距離度量并進行排序給出檢索結(jié)果。

上述第一類技術(shù)方案雖然準(zhǔn)確率較高，但存在泛化能力不足的缺陷，尤其是基于語義的相似；第二類技術(shù)方案的泛化能力不錯，但存在準(zhǔn)確率有待提升的缺陷。

具體地，在第二類技術(shù)方案中，采用對比嵌入(contrastiveembedding)或三元嵌入(tripletembedding)的損失函數(shù)設(shè)計模式的方法存在只能利用構(gòu)造好的成對或三元數(shù)據(jù)進行訓(xùn)練，訓(xùn)練時存在模型不易收斂的缺陷；而采用提升結(jié)構(gòu)化特征嵌入(liftedstructuredfeatureembedding)的損失函數(shù)設(shè)計模式的方法對負(fù)例(即不相似的樣本)的約束較弱，導(dǎo)致最終預(yù)測時大部分情況是負(fù)例，存在容易引起誤檢的缺陷。

此外，在實際應(yīng)用時，當(dāng)待檢索的全庫的數(shù)據(jù)量級很大時，特征數(shù)據(jù)的數(shù)據(jù)量會很大，其存儲和運算會消耗非常多的系統(tǒng)資源。

技術(shù)實現(xiàn)要素：

鑒于現(xiàn)有技術(shù)中的上述缺陷或不足，期望提供一種模型易于收斂，對負(fù)例約束較強以提升特征數(shù)據(jù)的準(zhǔn)確性，從而降低誤檢率的深度模型訓(xùn)練方法及裝置、圖像檢索方法及裝置；并進一步減少特征數(shù)據(jù)所消耗的系統(tǒng)資源。

第一方面，本發(fā)明提供一種深度模型訓(xùn)練方法，該方法包括：

根據(jù)深度模型抽取的特征數(shù)據(jù)分別計算提升結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值和對比嵌入設(shè)計模式的第二損失值；

根據(jù)該第一損失值和該第二損失值生成融合損失值；

根據(jù)該融合損失值訓(xùn)練深度模型。

第二方面，本發(fā)明提供一種圖像檢索方法，該方法包括：

分別對待檢索圖像和數(shù)據(jù)庫中的各對比圖像進行預(yù)處理；

根據(jù)如上所述的深度模型訓(xùn)練方法所訓(xùn)練得到的深度模型分別對預(yù)處理后的待檢索圖像和各對比圖像進行特征抽取以獲得特征數(shù)據(jù)；

對待檢索圖像的特征數(shù)據(jù)和各對比圖像的特征數(shù)據(jù)進行相似度計算；

根據(jù)相似度計算的結(jié)果生成圖像檢索結(jié)果。

第三方面，本發(fā)明提供一種深度模型訓(xùn)練裝置，包括第一損失計算單元、第二損失計算單元、損失融合單元和訓(xùn)練單元。

其中，第一損失計算單元配置用于根據(jù)深度模型抽取的特征數(shù)據(jù)計算提升結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值；第二損失計算單元配置用于根據(jù)深度模型抽取的特征數(shù)據(jù)計算對比嵌入設(shè)計模式的第二損失值；損失融合單元配置用于根據(jù)第一損失值和第二損失值生成融合損失值；訓(xùn)練單元配置用于根據(jù)融合損失值訓(xùn)練深度模型。

第四方面，本發(fā)明提供一種圖像檢索裝置，包括預(yù)處理單元、特征抽取單元、相似度計算單元和檢索結(jié)果生成單元。

其中，預(yù)處理單元配置用于分別對待檢索圖像和數(shù)據(jù)庫中的各對比圖像進行預(yù)處理；特征抽取單元配置用于根據(jù)上述深度模型訓(xùn)練裝置訓(xùn)練得到的深度模型分別對預(yù)處理后的待檢索圖像和各對比圖像進行特征抽取以獲得特征數(shù)據(jù)；相似度計算單元配置用于對待檢索圖像的特征數(shù)據(jù)和各對比圖像的特征數(shù)據(jù)進行相似度計算；檢索結(jié)果生成單元配置用于根據(jù)相似度計算的結(jié)果生成圖像檢索結(jié)果。

第五方面，本發(fā)明還提供一種設(shè)備，包括一個或多個處理器和存儲器，其中存儲器包含可由該一個或多個處理器執(zhí)行的指令以使得該一個或多個處理器執(zhí)行根據(jù)本發(fā)明各實施例提供的深度模型訓(xùn)練方法或圖像檢索方法。

第六方面，本發(fā)明還提供一種存儲有計算機程序的計算機可讀存儲介質(zhì)，該計算機程序使計算機執(zhí)行根據(jù)本發(fā)明各實施例提供的深度模型訓(xùn)練方法或圖像檢索方法。

本發(fā)明諸多實施例提供的深度模型訓(xùn)練方法及裝置、圖像檢索方法及裝置通過在提升結(jié)構(gòu)化特征嵌入設(shè)計模式的損失層的基礎(chǔ)上，融合對比嵌入設(shè)計模式的損失層，從而在訓(xùn)練過程中增加了負(fù)例的懲罰權(quán)重，在保持模型易于收斂的同時提升了特征數(shù)據(jù)的準(zhǔn)確性，降低了誤檢率；

本發(fā)明一些實施例提供的深度模型訓(xùn)練方法及裝置、圖像檢索方法及裝置進一步通過在深度模型的最后一個全連接層之后設(shè)置位數(shù)轉(zhuǎn)換層和數(shù)據(jù)二值化層，從而將特征數(shù)據(jù)稀疏化，大幅減少了特征數(shù)據(jù)運算和存儲所消耗的系統(tǒng)資源；

本發(fā)明一些實施例提供的深度模型訓(xùn)練方法及裝置、圖像檢索方法及裝置進一步通過根據(jù)圖像檢索結(jié)果生成反饋信息以調(diào)整深度模型訓(xùn)練方法，進一步提高了訓(xùn)練和檢索的準(zhǔn)確性。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細(xì)描述，本申請的其它特征、目的和優(yōu)點將會變得更明顯：

圖1為本發(fā)明一實施例提供的深度模型訓(xùn)練方法的流程圖。

圖2為圖1所示方法的一種優(yōu)選實施方式的流程圖。

圖3為圖2所示方法的一種優(yōu)選實施方式的流程圖。

圖4為本發(fā)明一實施例提供的圖像檢索方法的流程圖。

圖5為圖4所示方法的一種優(yōu)選實施方式的流程圖。

圖6為本發(fā)明一實施例提供的深度模型訓(xùn)練裝置的結(jié)構(gòu)示意圖。

圖7為圖6所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。

圖8為圖7所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。

圖9為本發(fā)明一實施例提供的圖像檢索裝置的結(jié)構(gòu)示意圖。

圖10為圖9所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。

圖11為本發(fā)明一實施例提供的一種設(shè)備的結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本申請作進一步的詳細(xì)說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋相關(guān)發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與發(fā)明相關(guān)的部分。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結(jié)合實施例來詳細(xì)說明本申請。

圖1為本發(fā)明一實施例提供的深度模型訓(xùn)練方法的流程圖。

如圖1所示，在本實施例中，本發(fā)明提供的深度模型訓(xùn)練方法包括：

s13：根據(jù)深度模型抽取的特征數(shù)據(jù)分別計算提升結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值和對比嵌入設(shè)計模式的第二損失值；

s15：根據(jù)該第一損失值和該第二損失值生成融合損失值；

s17：根據(jù)該融合損失值訓(xùn)練深度模型。

在本實施例中，深度模型為深度卷積神經(jīng)網(wǎng)絡(luò)模型，具體可以采用lenet、alexnet、vggnet等本領(lǐng)域常用的種類。

在步驟s13中，對該深度模型輸入批量的訓(xùn)練樣本數(shù)據(jù)，根據(jù)該深度模型抽取訓(xùn)練樣本數(shù)據(jù)的特征數(shù)據(jù)，根據(jù)該特征數(shù)據(jù)分別計算提升結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值和對比嵌入設(shè)計模式的第二損失值。

具體地，在本實施例中，第一損失值jl的計算方式為：

其中，

第二損失值jc的計算方式為：

其中，p為正樣本的集合，n為負(fù)樣本的集合，i、j、k、l均為樣本標(biāo)記序號，αl為第一負(fù)例懲罰參數(shù)，di,k為樣本i和k之間的距離，dj,l為樣本j和l之間的距離，di,j為樣本i和j之間的距離，m為批尺寸參數(shù)，yi,j為標(biāo)識樣本i和j是否來自同一類別的樣本類別參數(shù)(具體在本實施例中yi,j∈0,1)，αc為第二負(fù)例懲罰參數(shù)。

第一負(fù)例懲罰參數(shù)αl和第二負(fù)例懲罰參數(shù)αc根據(jù)經(jīng)驗配置，可以在后續(xù)根據(jù)訓(xùn)練效果的反饋進行調(diào)整。

在本實施例中，通過上述公式(1)-(3)分別計算結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值和對比嵌入設(shè)計模式的第二損失值，其中通過歐式距離計算方法計算樣本之間的距離。

在更多實施例中，本發(fā)明提供的方法不局限于上述公式(1)-(3)的計算方法，可配置更多不同的計算方式分別計算結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值和對比嵌入設(shè)計模式的第二損失值，只要通過在第一損失值和第二損失值的計算式中分別為較難區(qū)分的負(fù)例和普通負(fù)例配置了第一負(fù)例懲罰參數(shù)和第二負(fù)例懲罰參數(shù)，從而在后續(xù)步驟s15中通過融合兩項損失值實現(xiàn)了增加普通負(fù)例的懲罰權(quán)重(相較于單獨使用結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值)，即可實現(xiàn)同樣的技術(shù)效果。同時，在更多實施例中，還可采用巴氏距離、余弦距離、漢明距離等不同的距離計算方法計算樣本之間的距離，同樣可實現(xiàn)相同的技術(shù)效果。

在步驟s15中，融合損失值j的計算方式如下：

j＝w1*jl+w2*jc；(4)

其中，w1為第一損失值的權(quán)重，w2為第二損失值的權(quán)重。

w1和w2根據(jù)經(jīng)驗配置，可以在后續(xù)根據(jù)訓(xùn)練效果的反饋進行調(diào)整。

在本實施例中，通過上述公式(4)計算生成融合損失值j，在更多實施例中，本發(fā)明提供的方法不局限于該公式，可配置各種不同的計算方式生成融合損失值，只要最終生成的融合損失值j中普通負(fù)例的懲罰權(quán)重高于第一損失值jl中普通負(fù)例的懲罰權(quán)重，即可實現(xiàn)相同的技術(shù)效果。

在步驟s17中，根據(jù)步驟s15生成的融合損失值訓(xùn)練該深度模型。

當(dāng)循環(huán)執(zhí)行步驟s13-s17以進行持續(xù)訓(xùn)練時，步驟s13中采用步驟s17訓(xùn)練獲得的深度模型進行特征數(shù)據(jù)抽取。

上述實施例通過在提升結(jié)構(gòu)化特征嵌入設(shè)計模式的損失層的基礎(chǔ)上，融合對比嵌入設(shè)計模式的損失層，從而在訓(xùn)練過程中增加了負(fù)例的懲罰權(quán)重，在保持模型易于收斂的同時提升了特征數(shù)據(jù)的準(zhǔn)確性，進而在下文具體介紹的圖像檢索方法中實現(xiàn)了降低誤檢率的技術(shù)效果。

圖2為圖1所示方法的一種優(yōu)選實施方式的流程圖。

如圖2所示，在一優(yōu)選實施例中，步驟s13之前還包括：

s11：通過在深度模型的最后一個全連接層之后設(shè)置位數(shù)轉(zhuǎn)換層，將該全連接層輸出的特征數(shù)據(jù)的位數(shù)轉(zhuǎn)換成輸出位數(shù)。

例如，若該全連接層輸出的特征數(shù)據(jù)為向量數(shù)據(jù)，其向量維數(shù)為4096，則通過位數(shù)轉(zhuǎn)換層，對該特征數(shù)據(jù)進行降維壓縮，將其向量維數(shù)轉(zhuǎn)換成512，從而將全連接層輸出的特征數(shù)據(jù)的位數(shù)轉(zhuǎn)換成預(yù)定的輸出位數(shù)。

上述例舉以向量數(shù)據(jù)為例，但不僅限于向量數(shù)據(jù)，步驟s11中的位數(shù)轉(zhuǎn)換層還可對其它常用的不同數(shù)據(jù)類型進行數(shù)據(jù)位數(shù)轉(zhuǎn)換。

圖3為圖2所示方法的一種優(yōu)選實施方式的流程圖。

如圖3所示，在步驟s11之后還包括：

s12：通過在位數(shù)轉(zhuǎn)換層之后設(shè)置數(shù)據(jù)二值化層，將特征數(shù)據(jù)轉(zhuǎn)換為二值向量。

具體地，在本實施例中，該數(shù)據(jù)二值化層采用sigmoid函數(shù)將特征數(shù)據(jù)轉(zhuǎn)換為0-1分布的二值向量。優(yōu)選地，可以在步驟s13中配合使用漢明距離計算方法，可進一步加快下文介紹的圖像檢索方法中相似度計算的速度，從而減少相似度計算耗費的時間。在更多實施例中，可根據(jù)實際需求選擇不同的轉(zhuǎn)換算法，將特征數(shù)據(jù)轉(zhuǎn)換為不同分布的二值向量。

上述實施例進一步通過在深度模型的最后一個全連接層之后設(shè)置位數(shù)轉(zhuǎn)換層和數(shù)據(jù)二值化層，從而將特征數(shù)據(jù)稀疏化，大幅減少了特征數(shù)據(jù)運算和存儲所消耗的系統(tǒng)資源。

圖4為本發(fā)明一實施例提供的圖像檢索方法的流程圖。

如圖4所示，在本實施例中，本發(fā)明還提供一種圖像檢索方法，包括：

s21：分別對待檢索圖像和數(shù)據(jù)庫中的各對比圖像進行預(yù)處理；

s23：根據(jù)上述任一實施例的深度模型訓(xùn)練方法所訓(xùn)練得到的深度模型分別對預(yù)處理后的待檢索圖像和各對比圖像進行特征抽取以獲得特征數(shù)據(jù)；

s25：對待檢索圖像的特征數(shù)據(jù)和各對比圖像的特征數(shù)據(jù)進行相似度計算；

s27：根據(jù)相似度計算的結(jié)果生成圖像檢索結(jié)果。

具體地，在步驟s21中，對待檢索圖像進行預(yù)處理，得到第一三通道矩陣數(shù)據(jù)，對各對比圖像進行預(yù)處理，得到若干第二三通道矩陣數(shù)據(jù)。

在步驟s23中，將步驟s21生成的第一三通道矩陣數(shù)據(jù)和若干第二三通道矩陣數(shù)據(jù)輸入至根據(jù)上述任一實施例提供的訓(xùn)練方法訓(xùn)練好的深度模型以進行特征抽取，獲得第一特征數(shù)據(jù)和若干第二特征數(shù)據(jù)。

在步驟s25中，對步驟s23獲得的第一特征數(shù)據(jù)和若干第二特征數(shù)據(jù)進行相似度計算，具體的計算方法對應(yīng)于步驟s13中采用的樣本距離計算方法。

在步驟s27中，根據(jù)步驟s25的計算結(jié)果生成圖像檢索結(jié)果，再向檢索請求方反饋該圖像檢索結(jié)果。

圖5為圖4所示方法的一種優(yōu)選實施方式的流程圖。

如圖5所示，在一優(yōu)選實施例中，步驟s27之后還包括：

s29：根據(jù)圖像檢索結(jié)果生成反饋信息，根據(jù)反饋信息調(diào)整深度模型訓(xùn)練方法。

具體地，若圖像檢索結(jié)果反映出無法檢索到應(yīng)該檢索到的圖片，或檢索到較多相似度較低的圖片等檢索效果不佳的問題，則可以根據(jù)具體問題生成對應(yīng)的反饋信息，再根據(jù)該反饋信息對所采用的深度模型訓(xùn)練方法進行調(diào)整，例如，調(diào)整經(jīng)驗值參數(shù)，進一步調(diào)整計算公式，等等。

上述實施例進一步通過根據(jù)圖像檢索結(jié)果生成反饋信息以調(diào)整深度模型訓(xùn)練方法，進一步提高了訓(xùn)練和檢索的準(zhǔn)確性。

圖6為本發(fā)明一實施例提供的深度模型訓(xùn)練裝置的結(jié)構(gòu)示意圖。圖6所示的裝置可對應(yīng)執(zhí)行圖1所示的方法。

如圖6所示，在本實施例中，本發(fā)明提供一種深度模型訓(xùn)練裝置，包括第一損失計算單元11、第二損失計算單元13、損失融合單元15和訓(xùn)練單元17。

其中，第一損失計算單元11配置用于根據(jù)深度模型抽取的特征數(shù)據(jù)計算提升結(jié)構(gòu)化特征嵌入設(shè)計模式的第一損失值；

第二損失計算單元13配置用于根據(jù)深度模型抽取的特征數(shù)據(jù)計算對比嵌入設(shè)計模式的第二損失值；

損失融合單元15配置用于根據(jù)第一損失值和第二損失值生成融合損失值；

訓(xùn)練單元17配置用于根據(jù)融合損失值訓(xùn)練深度模型。

具體地，上述裝置還可根據(jù)實際需求進一步包括常用的輸入輸出裝置、通信裝置等部件。具體原理參見上述圖1所示的方法，此處不再贅述。

圖7為圖6所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。圖7所示的裝置可對應(yīng)執(zhí)行圖2所示的方法。

如圖7所示，在一優(yōu)選實施例中，該深度模型訓(xùn)練裝置進一步還包括位數(shù)轉(zhuǎn)換單元18。

位數(shù)轉(zhuǎn)換單元18配置用于通過在深度模型的最后一個全連接層之后設(shè)置位數(shù)轉(zhuǎn)換層，將該全連接層輸出的特征數(shù)據(jù)的位數(shù)轉(zhuǎn)換成輸出位數(shù)。具體原理參見上述圖2所示的方法，此處不再贅述。

圖8為圖7所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。圖8所示的裝置可對應(yīng)執(zhí)行圖3所示的方法。

如圖8所示，在一優(yōu)選實施例中，該深度模型訓(xùn)練裝置進一步還包括數(shù)據(jù)二值化單元19。

數(shù)據(jù)二值化單元19配置用于通過在位數(shù)轉(zhuǎn)換層之后設(shè)置數(shù)據(jù)二值化層，將特征數(shù)據(jù)轉(zhuǎn)換為二值向量。具體原理參見上述圖3所示的方法，此處不再贅述。

圖9為本發(fā)明一實施例提供的圖像檢索裝置的結(jié)構(gòu)示意圖。圖9所示的裝置可對應(yīng)執(zhí)行圖4所示的方法。

如圖9所示，在本實施例中，本發(fā)明提供的圖像檢索裝置20包括預(yù)處理單元21、特征抽取單元23、相似度計算單元25和檢索結(jié)果生成單元27。

其中，預(yù)處理單元21配置用于分別對(來源于檢索發(fā)起端30的)待檢索圖像和數(shù)據(jù)庫40中的各對比圖像進行預(yù)處理；

特征抽取單元23配置用于根據(jù)深度模型訓(xùn)練裝置10訓(xùn)練得到的深度模型分別對預(yù)處理后的待檢索圖像和各對比圖像進行特征抽取以獲得特征數(shù)據(jù)；

相似度計算單元25配置用于對待檢索圖像的特征數(shù)據(jù)和各對比圖像的特征數(shù)據(jù)進行相似度計算；

檢索結(jié)果生成單元27配置用于根據(jù)相似度計算的結(jié)果生成圖像檢索結(jié)果。

具體地，上述裝置還可根據(jù)實際需求進一步包括常用的輸入輸出裝置、通信裝置等部件。具體原理參見上述圖4所示的方法，此處不再贅述。

圖10為圖9所示裝置的一種優(yōu)選實施方式的結(jié)構(gòu)示意圖。圖10所示的裝置可對應(yīng)執(zhí)行圖5所示的方法。

如圖10所示，在一優(yōu)選實施例中，圖像檢索裝置20進一步還包括反饋調(diào)整單元29。

反饋調(diào)整單元29配置用于根據(jù)檢索結(jié)果生成單元27生成的圖像檢索結(jié)果生成反饋信息，根據(jù)該反饋信息調(diào)整深度模型訓(xùn)練裝置10的配置。

圖11為本發(fā)明一實施例提供的一種設(shè)備的結(jié)構(gòu)示意圖。

如圖11所示，作為另一方面，本申請還提供了一種設(shè)備1100，包括一個或多個中央處理單元(cpu)1101，其可以根據(jù)存儲在只讀存儲器(rom)1102中的程序或者從存儲部分1108加載到隨機訪問存儲器(ram)1103中的程序而執(zhí)行各種適當(dāng)?shù)膭幼骱吞幚?。在ram1103中，還存儲有設(shè)備1100操作所需的各種程序和數(shù)據(jù)。cpu1101、rom1102以及ram1103通過總線1104彼此相連。輸入/輸出(i/o)接口1105也連接至總線1104。

以下部件連接至i/o接口1105：包括鍵盤、鼠標(biāo)等的輸入部分1106；包括諸如陰極射線管(crt)、液晶顯示器(lcd)等以及揚聲器等的輸出部分1107；包括硬盤等的存儲部分1108；以及包括諸如lan卡、調(diào)制解調(diào)器等的網(wǎng)絡(luò)接口卡的通信部分1109。通信部分1109經(jīng)由諸如因特網(wǎng)的網(wǎng)絡(luò)執(zhí)行通信處理。驅(qū)動器1110也根據(jù)需要連接至i/o接口1105?？刹鹦督橘|(zhì)1111，諸如磁盤、光盤、磁光盤、半導(dǎo)體存儲器等等，根據(jù)需要安裝在驅(qū)動器1110上，以便于從其上讀出的計算機程序根據(jù)需要被安裝入存儲部分1108。

特別地，根據(jù)本公開的實施例，上述任一實施例描述的深度模型訓(xùn)練方法或圖像檢索方法可以被實現(xiàn)為計算機軟件程序。例如，本公開的實施例包括一種計算機程序產(chǎn)品，其包括有形地包含在機器可讀介質(zhì)上的計算機程序，所述計算機程序包含用于執(zhí)行深度模型訓(xùn)練方法或圖像檢索方法的程序代碼。在這樣的實施例中，該計算機程序可以通過通信部分1109從網(wǎng)絡(luò)上被下載和安裝，和/或從可拆卸介質(zhì)1111被安裝。

作為又一方面，本申請還提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)可以是上述實施例的設(shè)備中所包含的計算機可讀存儲介質(zhì)；也可以是單獨存在，未裝配入設(shè)備中的計算機可讀存儲介質(zhì)。計算機可讀存儲介質(zhì)存儲有一個或者一個以上程序，該程序被一個或者一個以上的處理器用來執(zhí)行描述于本申請的深度模型訓(xùn)練方法或圖像檢索方法。

附圖中的流程圖和框圖，圖示了按照本發(fā)明各種實施例的系統(tǒng)、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段、或代碼的一部分，該模塊、程序段、或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實現(xiàn)中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個接連地表示的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這根據(jù)所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以通過執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以通過專用硬件與計算機指令的組合來實現(xiàn)。

描述于本申請實施例中所涉及到的單元或模塊可以通過軟件的方式實現(xiàn)，也可以通過硬件的方式來實現(xiàn)。所描述的單元或模塊也可以設(shè)置在處理器中，例如，各所述單元可以是設(shè)置在計算機或移動智能設(shè)備中的軟件程序，也可以是單獨配置的硬件裝置。其中，這些單元或模塊的名稱在某種情況下并不構(gòu)成對該單元或模塊本身的限定。

以上描述僅為本申請的較佳實施例以及對所運用技術(shù)原理的說明。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，本申請中所涉及的發(fā)明范圍，并不限于上述技術(shù)特征的特定組合而成的技術(shù)方案，同時也應(yīng)涵蓋在不脫離本申請構(gòu)思的情況下，由上述技術(shù)特征或其等同特征進行任意組合而形成的其它技術(shù)方案。例如上述特征與本申請中公開的(但不限于)具有類似功能的技術(shù)特征進行互相替換而形成的技術(shù)方案。