[发明专利]一种模型训练及图像处理方法、装置、终端及存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取具有第一类型标签的第一类型图像，以及具有第二类型标签的第二类型图像，所述第一类型图像还具有所述第二类型标签；

根据所述第一类型图像和所述第一类型图像的所述第一类型标签，以及根据所述第二类型图像和所述第二类型图像的所述第二类型标签，对神经网络模型作训练，包括：

通过所述神经网络模型，对任意两个目标图像分别进行特征提取，得到两个第二特征向量；根据所述两个第二特征向量之间的距离和所述任意两个目标图像对应的两个目标标签，确定所述神经网络模型对应的预设类型损失；根据所述预设类型损失，对所述神经网络模型作迭代更新；

所述方法还包括：

根据所述第一类型图像和所述第一类型图像的所述第二类型标签，对所述神经网络模型作训练，包括：

根据所述第二类型标签的标签内容相同的任意两个所述第一类型图像，确定所述神经网络模型对应的对比损失；根据所述对比损失，对所述神经网络模型作迭代更新。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第二类型标签的标签内容相同的任意两个所述第一类型图像，确定所述神经网络模型对应的对比损失，包括：

通过所述神经网络模型，对所述第二类型标签的标签内容相同的任意两个第一类型图像进行特征提取，得到两个第一特征向量；

根据所述两个第一特征向量之间的第一距离，确定所述神经网络模型对应的所述对比损失。

3.根据权利要求2所述的方法，其特征在于，所述根据所述对比损失，对所述神经网络模型作迭代更新，包括：

通过降低所述对比损失，对所述神经网络模型进行迭代更新，使得经过迭代更新后的所述神经网络模型对所述第二类型标签的标签内容相同的任意两个第一类型图像所提取的两个特征向量之间的距离，相较于本轮迭代更新前，所述神经网络模型对所述任意两个第一类型图像所提取的两个特征向量之间的距离扩大。

4.根据权利要求1至3中任一项所述的方法，其特征在于，

当所述两个目标图像包括所述第一类型图像时，所述第一类型图像的所述目标标签为所述第一类型图像的所述第一类型标签；

当所述两个目标图像包括所述第二类型图像时，所述第二类型图像的所述目标标签为所述第二类型图像的所述第二类型标签。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据对比损失和预设类型损失，对所述神经网络模型的参数进行迭代更新，直至达到收敛条件或达到预设训练次数，得到训练后的神经网络模型。

6.一种图像处理方法，其特征在于，所述方法包括：

采用身份识别模型提取待识别图像中目标拍摄对象的目标特征向量；

根据已知身份的多个候选图像各自的候选特征向量，以及所述目标特征向量，确定所述目标拍摄对象的目标身份，其中，每个所述候选特征向量为采用所述身份识别模型对所述多个候选图像分别提取的特征向量，所述多个候选图像包括第一类型图像和第二类型图像；

其中，所述身份识别模型为根据第一类型图像和所述第一类型图像的第一类型标签与第二类型标签，第二类型图像和所述第二类型图像的第二类型标签，以及根据预设类型损失和对比损失而训练得到的神经网络模型；

所述预设类型损失为通过所述神经网络模型，对任意两个目标图像分别进行特征提取，得到两个第二特征向量；根据所述两个第二特征向量之间的距离和所述任意两个目标图像对应的两个目标标签确定得到；

所述对比损失为根据所述第二类型标签的标签内容相同的任意两个所述第一类型图像确定得到。