深度度量模型的优化方法、设备及存储介质与流程

技术特征：
1.一种深度度量模型的优化方法，其特征在于，包括：响应客户端对第一接口的调用请求，获取接口参数包含的多个样本数据组；将所述多个样本数据组输入深度度量模型，得到所述多个样本数据组对应的多个图模型；其中，图模型中的节点用于表示样本数据，相邻节点之间的边长用于表示相邻节点对应的样本数据的特征相似度；根据所述多个图模型的结构，构造图一致性损失函数；依据所述图一致性损失函数，对所述深度度量模型进行迭代训练，并将训练得到的结果模型返回至所述客户端。2.一种深度度量模型的优化方法，其特征在于，包括：获取多个样本图像组；将所述多个样本图像组输入深度度量模型，得到所述多个样本图像组对应的多个图模型；其中，图模型中的节点用于表示样本图像，相邻节点之间的边长用于表示相邻节点对应的样本图像的特征相似度；根据所述多个图模型的结构，构造图一致性损失函数；依据所述图一致性损失函数，对所述深度度量模型进行迭代训练。3.一种深度度量模型的优化方法，其特征在于，包括：获取多个样本数据组；将所述多个样本数据组输入深度度量模型，得到所述多个样本数据组对应的多个图模型；其中，图模型中的节点用于表示样本数据，相邻节点之间的边长用于表示相邻节点对应的样本数据的特征相似度；根据所述多个图模型的结构，构造图一致性损失函数；依据所述图一致性损失函数，对所述深度度量模型进行迭代训练。4.根据权利要求3所述的方法，其特征在于，获取多个样本数据组，包括：从样本数据集中，确定指定的w个样本类别；分别对所述w个样本类别对应的样本数据进行随机采样，得到每个样本类别对应的k个样本数据；将采样得到的w*k个样本数据，作为一个样本数据组。5.根据权利要求3所述的方法，其特征在于，根据所述多个图模型的结构，构造图一致性损失函数，包括：根据所述多个图模型的结构，确定所述深度度量模型对类别相同的样本数据的第一特征判别差异，和/或，对类别不同的样本数据的第二特征判别差异；根据所述第一特征判别差异和/或所述第二特征判别差异，确定所述图一致性损失函数。6.根据权利要求5所述的方法，其特征在于，根据所述多个图模型的结构，确定所述深度度量模型对类别相同的样本数据的第一特征判别差异，和/或，对类别不同的样本数据的第二特征判别差异，包括：从所述多个图模型中的第一图模型以及第二图模型中，分别获取样本类别相同的节点之间的边长，得到多个第一类型的边长，和/或，分别获取样本类别不同的节点之间的边长，得到多个第二类型的边长；
基于所述多个第一类型的边长之间的差，确定所述深度度量模型对类别相同的样本数据的第一特征判别差异，和/或，基于所述多个第二类型的边长之间的差，确定所述深度度量模型对类别不同的样本数据的第二特征判别差异。7.根据权利要求5所述的方法，其特征在于，根据所述多个图模型的结构，计算所述深度度量模型对类别相同的样本数据的第一特征判别差异，和/或，对类别不同的样本数据的第二特征判别差异，包括：基于第一图模型中的任意相邻节点之间的边长，构造所述第一图模型的相似度矩阵，以及，基于第二图模型中的任意相邻节点之间的边长，构造所述第二图模型的相似度矩阵；根据所述第一图模型的相似度矩阵与所述第二图模型的相似度矩阵差的范数，确定所述第一特征判别差异和所述第二特征判别差异。8.根据权利要求7所述方法，其特征在于，基于所述第一图模型中的任意相邻节点之间的边长，构造所述第一图模型的相似度矩阵，包括：将所述第一图模型中的第i个样本数据对应的节点与第j个样本数据对应的节点之间的边长，作所述第一图模型的相似度矩阵中第i行、第j列的元素；其中，i＝1,2
…
n,j＝1,2
…
n，n为所述第一图模型对应的样本数据组中的样本数据的总数量。9.根据权利要求3-7任一项所述的方法，其特征在于，依据所述图一致性损失函数，对所述深度度量模型进行迭代训练，包括：确定所述图一致性损失函数与所述深度度量模型的度量学习损失函数，作为所述深度度量模型的联合损失函数；根据所述联合损失函数，对所述深度度量模型进行迭代训练，直至所述联合损失函数收敛到指定范围。10.根据权利要求9所述的方法，其特征在于，所述度量学习损失函数，包括：三元组损失函数、n-pair损失函数以及二项式损失函数中的至少一种。11.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行权利要求1-10任一项所述方法中的步骤。12.一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被执行时能够实现权利要求1-10任一项所述的方法中的步骤。

技术总结
本申请实施例提供一种深度度量模型的优化方法、设备及存储介质。在训练深度度量模型时，获取深度度量模型针对不同样本数据组输出的图模型，基于不同的图模型在结构方面表现出的特征，可获取图一致性损失，该图一致性损失可以有效表征深度度量模型在特征辨识方面的稳定性。基于该图一致性损失对深度度量模型进行训练，可针对性地提升深度度量模型对不同特征以及相同特征的辨识能力，提升深度度量模型在分类、查询等多种任务中的性能。查询等多种任务中的性能。查询等多种任务中的性能。


技术研发人员：陈炳辉
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.11.06
技术公布日：2021/10/18