[发明专利]神经网络模型的训练方法、装置、电子设备及存储介质

说明书

本公开实施例提供了一种神经网络模型的训练方法、装置、电子设备及存储介质，包括：获取训练样本数据，训练样本数据中包括正样本图像集和负样本图像集，其中，正样本图像集包括原始图像和原始图像的变换图像，负样本图像集中的图像与原始图像的相似度小于设定值；基于训练样本数据对初始的神经网络模型进行训练，直至神经网络模型的总损失函数满足预设条件。在本公开实施例中，可以通过神经网络模型的总损失函数满足预设条件的设置，使通过训练结束后得到的神经网络模型得到的不同的图像的哈希码的鲁棒性得到增强，并且由于图像的哈希码的鲁棒性得到增强，因此，在根据图像的哈希码确定相似度时可以有效的提升准确率。

技术领域

本公开涉及图像处理技术领域，具体而言，本公开涉及一种神经网络模型的训练方法、装置、电子设备及存储介质。

背景技术

现有技术中，对于原始图像，用户可能对图像会进行一些改变，比如，将图像进行旋转、在图像上加几个文字、将图像放大或缩小等简单的变换操作，变换后的图像与原始图像本质上是相同或相似的图像，理论上变换前后的图像的哈希码应该是尽可能相同。

但是，现有技术中得到图像的哈希码的方式，由于哈希算法的鲁棒性不强，会经常导致变换前后的图像的哈希码的鲁棒性较差，进而在根据图像哈希码确定重复图像时造成准确率比较低。

发明内容

本公开的目的旨在至少能解决上述的技术缺陷之一，提升用户的使用体验。本公开采用的技术方案如下：

第一方面，本公开实施例提供了一种神经网络模型的训练方法，该方法包括：

获取训练样本数据，训练样本数据中包括正样本图像集和负样本图像集，其中，正样本图像集包括原始图像和原始图像的变换图像，负样本图像集中的图像与原始图像的相似度小于设定值；

基于训练样本数据对初始的神经网络模型进行训练，直至神经网络模型的总损失函数满足预设条件；

其中，神经网络模型是以图像为输入并且以图像的哈希码为输出的模型，总损失函数包括基于原始图像的哈希码和负样本图像集中的图像的哈希码确定的第一损失函数、以及基于原始图像的哈希码和原始图像的变换图像的哈希码确定的第二损失函数。

第一方面可选的实施例中，该预设条件包括：

预测准确度不小于预设阈值，其中，预测准确度为每次训练所计算出的所有总损失函数的结果中小于设定值的结果的数量的占比。

第一方面可选的实施例中，该第一损失函数的取值表征了原始图像和负样本图像集中的图像的相似性，第二损失函数的取值表征了原始图像和原始图像的变换图像的差异性。

第一方面可选的实施例中，该第一损失函数包括第一子函数和第二子函数中的至少一项，其中，第一子函数的取值表征了原始图像的哈希码和负样本图像集中的图像的哈希码的随机独立性，第二损失函数的取值表征了原始图像的哈希码和负样本图像集中的图像的哈希码的相似度。

第二方面，本公开实施例提供了一种图像相似度的确定方法，该方法包括：

获取第一图像和第二图像；

通过神经网络模型确定第一图像的第一哈希码和第二图像的第二哈希码，该神经网络模型是通过第一方面任一项的方法训练得到的；

基于第一哈希码和第二哈希码，确定第一图像和第二图像的相似度。

第三方面，本公开实施例提供了一种神经网络模型的训练装置，该装置包括：

样本数据获取模块，用于获取训练样本数据，训练样本数据中包括正样本图像集和负样本图像集，其中，正样本图像集包括原始图像和原始图像的变换图像，负样本图像集中的图像与原始图像的相似度小于设定值；