[发明专利]一种模型更新方法以及相关装置

权利要求书

1.一种模型更新方法，其特征在于，所述方法包括：

获取神经网络模型和多个训练图像；

通过所述神经网络模型对所述多个训练图像进行特征提取，得到多个目标特征；

根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，得到多个第一聚类结果，所述多个第一聚类结果中的每个第一聚类结果对应于一个轮廓系数，所述轮廓系数表示聚类质量；

根据所述多个第一聚类结果对应的多个轮廓系数从所述多个第一聚类结果中确定第一目标聚类结果，所述第一目标聚类结果包括M个聚类类别；

根据所述多个目标特征对所述多个训练图像进行第二聚类处理，得到第二聚类结果，并根据第一损失函数更新所述神经网络的参数，所述第二聚类结果包括的聚类类别数量为所述M。

2.根据权利要求1所述的方法，其特征在于，所述轮廓系数根据类间分离度以及类内凝聚度计算，所述类间分离度表示不同聚类类别之间的距离，所述类内凝聚度表示同一个聚类类别对应的不同训练图像之间的距离。

3.根据权利要求1或2所述的方法，其特征在于，所述第一目标聚类结果对应的轮廓系数大于所述多个第一聚类结果中除所述第一目标聚类结果之外的其他聚类结果对应的轮廓系数。

4.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，包括：

根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，并在每次第一聚类处理之后基于第二损失函数更新所述神经网络的参数。

5.根据权利要求4所述的方法，其特征在于，所述在每次第一聚类处理之后基于第二损失函数更新所述神经网络的参数，包括：

在每次第一聚类处理之后基于第二损失函数更新所述神经网络的参数，以减小下一次第一聚类处理得到的第一聚类结果中，所述多个训练图像中的每个训练图像与所述第一聚类结果包括的多个聚类类别的之间的第一相似度分布的方差。

6.根据权利要求1至5任一所述的方法，其特征在于，所述多次第一聚类处理包括第i次聚类处理和第j次聚类处理，所述第j次聚类处理在所述第i次聚类处理之后，所述根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，包括：

在进行所述第i次聚类处理和所述第j次聚类处理时，获取所述多个目标特征中各个目标特征之间的第二相似度，所述第二相似度包括所述多个目标特征中各个目标特征之间的图像特征相似度以及时空约束权重，其中，进行所述第j次聚类处理时的时空约束权重大于进行所述第i次聚类处理时的时空约束权重，所述时空约束权重表示时空约束对于所述各个目标特征之间的第二相似度的影响能力；

根据所述第二相似度对所述多个训练图像进行所述第i次聚类处理和所述第j次聚类处理，其中，所述i，j为正整数。

7.根据权利要求1至6任一所述的方法，其特征在于，所述根据所述多个目标特征对所述多个训练图像进行多次第一聚类处理，包括：

获取所述多个目标特征中各个目标特征之间的第二相似度，所述第二相似度包括所述多个目标特征中各个目标特征之间的图像特征相似度以及时空约束权重；

根据所述第二相似度对所述多个训练图像进行多次第一聚类处理，且在每次第一聚类处理之后，根据对应的第一聚类结果更新所述多个目标特征中各个目标特征之间的时空约束权重。

8.根据权利要求1至7任一所述的方法，其特征在于，所述第一损失函数包括三元损失函数。

9.根据权利要求1至8任一所述的方法，其特征在于，所述根据第一损失函数更新所述神经网络的参数，包括：

根据三元损失函数和第二损失函数更新所述神经网络的参数，以减小下一次第二聚类处理得到的第二聚类结果中，所述多个训练图像中的每个训练图像与所述第二聚类结果包括的多个聚类类别的之间的第一相似度分布的方差，以及增加下一次聚类处理得到的第二聚类结果中，所述不同聚类类别之间的距离。