[发明专利]一种图像数据处理方法、装置、计算机设备及存储介质

权利要求书

1.一种图像数据处理方法，其特征在于，包括：

在获取到用于训练初始特征学习模型的批次样本时，将所述批次样本中的样本三元组作为待处理样本三元组；所述批次样本是通过对全量分镜样本中的每个分镜样本组的样本三元组进行批次划分所得到的；所述全量分镜样本是通过对样本视频进行分镜处理得到的，一个分镜样本组包括一个镜头内多张具有相似图像内容的分镜图像；所述待处理样本三元组包括锚点样本、正样本以及负样本，所述锚点样本和正样本属于同一分镜样本组中的分镜图像；所述锚点样本和所述负样本分别属于不同的分镜样本组；

将所述待处理样本三元组输入所述初始特征学习模型，由所述初始特征学习模型对所述待处理样本三元组进行特征提取和哈希量化处理，将所述初始特征学习模型所输出的所述待处理样本三元组的三元组特征作为第一迭代三元组特征；

在所述初始特征学习模型的迭代次数达到初始迭代阈值时，将所述第一迭代三元组特征输入与所述初始特征学习模型相关联的噪声判决模型，由所述噪声判决模型根据与所述批次样本相关联的初始分类数据集，确定所述噪声判决模型所维护的第一离群阈值参数；

基于所述初始分类数据集确定所述批次样本的初始联合损失，基于所述初始联合损失调整所述初始特征学习模型的模型参数，将调整参数后的初始特征学习模型作为过渡特征学习模型，且对所述初始特征学习模型的迭代次数进行递增处理；

将所述过渡特征学习模型所输出的所述待处理样本三元组的三元组特征作为第二迭代三元组特征，且在递增处理后的迭代次数达到目标迭代阈值时，将所述第二迭代三元组特征输入所述噪声判决模型，由所述噪声判决模型根据所述噪声判决模型所维护的第一离群阈值参数，对所述待处理样本三元组进行噪声判决，得到所述待处理样本三元组的噪声判决结果；

对所述待处理样本三元组的三元组特征进行特征量化处理，得到所述待处理样本三元组的二值量化特征，根据所述待处理样本三元组的二值量化特征和所述噪声判决结果，对所述批次样本进行联合损失学习，以得到所述批次样本的联合损失；

根据所述联合损失调整所述初始特征学习模型的模型参数，基于调整模型参数后的初始特征学习模型，得到用于对待查询图像进行特征度量学习的目标特征学习模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在获取到全量分镜样本时，构建与所述全量分镜样本中的每个分镜样本组相关联的负样本挖掘子空间；

基于所述全量分镜样本中的每个分镜样本组和与所述每个分镜样本组相关联的负样本挖掘子空间，构建用于训练初始特征学习模型的全量样本三元组；

根据所述负样本挖掘子空间中的总负样本数量，对所述全量样本三元组中的样本三元组进行批次划分，得到与所述全量分镜样本相关联的批次样本。

3.根据权利要求2所述的方法，其特征在于，所述在获取到全量分镜样本时，构建与所述全量分镜样本中的每个分镜样本组相关联的负样本挖掘子空间，包括：

获取用于分镜处理的样本视频，对所述样本视频进行分镜处理，得到与所述样本视频相关联的N’个分镜样本组，将所述N’个分镜样本组作为所述全量分镜样本，基于所述N’个分镜样本组的标签信息，对所述N’个分镜样本组进行聚类处理，得到与所述全量分镜样本相关联的X个聚类簇；N’为正整数；X为正整数，且一个聚类簇对应一个标签信息；

从所述全量分镜样本中获取分镜样本组i，在所述X个聚类簇中，将从与所述分镜样本组i相关联的聚类簇中抽取的K个聚类簇分别作为目标聚类簇；其中，i为小于或者等于N’的正整数；所述目标聚类簇的数量为K个；

从K个所述目标聚类簇所对应的局部子空间中，抽取K*M个分镜图像作为第一分镜图像，基于抽取到的K*M个第一分镜图像，构建与分镜样本组i相关联的第一类负样本空间，并从所述X个聚类簇所对应的全局子空间中，抽取K*M个分镜图像作为第二分镜图像，基于抽取到的K*M个第二分镜图像构建与分镜样本组i相关联的第二类负样本空间；所述第一类负样本空间中的第一分镜图像与所述分镜样本组i中的分镜图像具有相同的标签信息；所述第二类负样本空间中的分镜图像与所述分镜样本组i中的分镜图像具有不同的标签信息；

将所述第一类负样本空间和所述第二类负样本空间作为所述分镜样本组i的负样本挖掘子空间。