向后兼容表示的邻域一致性对比学习方法、系统及介质与流程

技术特征：
1.一种向后兼容表示的邻域一致性对比学习方法，其特征在于，包括以下步骤：获取训练样本；将所述训练样本输入到第一神经网络模型中进行特征提取，得到第一特征；采用高斯核函数计算所述第一特征的熵；基于熵值过滤掉所述第一特征中位于类边缘区域的模糊特征，得到第二特征；将训练样本输入到第二神经网络模型中进行特征提取得到第三特征，利用所述第二特征和所述第三特征进行对比学习；基于对比学习的损失函数优化所述第二神经网络模型。2.根据权利要求1所述的向后兼容表示的邻域一致性对比学习方法，其特征在于，所述采用高斯核函数计算所述第一特征的熵的方法为：获取所述第一神经网络模型所对应的映射函数；基于所述映射函数采用高斯核函数计算所述训练样本中每一个样本与其在所述第一神经网络模型中被识别出的样本之间的相似度；利用所述相似度求所述第一特征的熵。3.根据权利要求2所述的向后兼容表示的邻域一致性对比学习方法，其特征在于，所述相似度为x
i
表示训练样本中第i个样本，σ表示方差，和表示第一特征中k类特征和j类特征和的平均值，φ
old
表示第一神经网络模型所对应的映射函数，所述第一特征的熵为其中，p为概率，k
new
表示所述训练样本中类的个数。4.根据权利要求1所述的向后兼容表示的邻域一致性对比学习方法，其特征在于，所述对比学习的损失函数为：其中，w
ip
表示聚簇权重，s
ip
代表正样本p与锚点i的相似度，为训练样本集合，a(i)表示和i相同标签的样本构成的集合。5.根据权利要求4所述的向后兼容表示的邻域一致性对比学习方法，其特征在于，所述聚簇权重通过计算所述第二特征的每一个样本之间的相对距离获得。6.根据权利要求5所述的向后兼容表示的邻域一致性对比学习方法，其特征在于，所述正样本p与锚点i的相似度的计算公式为：
其中，标识不同下标的x表示训练样本中不同的点，τ是控制分布锐化程度的参数，φ
old
表示第一神经网络模型所对应的映射函数，表示第二神经网络模型所对应的映射函数，b(i)表示和i不相同标签的样本构成的集合。7.一种图像检索中更新模型的方法，其特征在于，根据权利要求1至6中任意一项的方法，在图像检索中将所述第二神经网络模型作为更新的模型。8.一种向后兼容表示的邻域一致性对比学习系统，其特征在于，所述系统包括：获取模块，用于获取训练样本；输入模块，用于将所述训练样本输入到第一神经网络模型中进行特征提取，得到第一特征；求熵模块，用于采用高斯核函数计算所述第一特征的熵；过滤模块，用于基于熵值过滤掉所述第一特征中位于类边缘区域的模糊特征，得到第二特征；对比学习模块，用于将训练样本输入到第二神经网络模型中进行特征提取得到第三特征，利用所述第二特征和所述第三特征进行对比学习；优化模块，用于基于对比学习的损失函数优化所述第二神经网络模型。9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任意一项方法的步骤。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至6中任意一项方法的步骤。

技术总结
本申请涉及深度学习技术领域，更为具体来说，本申请涉及向后兼容表示的邻域一致性对比学习方法、系统及介质。所述方法包括：获取训练样本；将所述训练样本输入到第一神经网络模型中进行特征提取，得到第一特征；采用高斯核函数计算所述第一特征的熵；基于熵值过滤掉所述第一特征中位于类边缘区域的模糊特征，得到第二特征；将训练样本输入到第二神经网络模型中进行特征提取得到第三特征，利用所述第二特征和所述第三特征进行对比学习；基于对比学习的损失函数优化所述第二神经网络模型。本申请所述方法实现了模型的平滑部署，方便应用，后续在图像检索应用及其它应用场景时可自动更新模型。模型。模型。


技术研发人员：段凌宇 吴生森 白燕
受保护的技术使用者：北京大学
技术研发日：2021.08.09
技术公布日：2021/11/4