(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111417594.2 (22)申请日 2021.11.26 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 陈思宏　李宇聪　鞠奇　 (74)专利代理 机构 深圳翼盛智成知识产权事务 所(普通合伙) 44300 代理人 李玉婷 (51)Int.Cl. G06V 10/46(2022.01) G06V 10/50(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 图像特征提取模型的训练方法、 装置、 服务 器和存储介质 (57)摘要 本申请实施例公开了一种图像特征提取模 型的训练方法、 装置、 服务器和存储介质， 可应用 于云技术、 人工智能、 智慧交通、 辅助驾驶等各种 场景； 本申请实施例可以获取训练样本的图像特 征以及图像特征提取模型， 图像特征提取模型包 括卷积模块以及全局注意力模块， 通过每个并行 过滤器， 对训练样本的图像特征进行卷积操作， 得到每个并行过滤器对应的图像子特征， 将所有 图像子特征输入全局注意力模块， 得到具有全局 注意力的图像特征， 根据具有全局注 意力的图像 特征， 调整卷积模块， 得到调整后的卷积 模块， 根 据调整后的卷积模块以及预设的损失函数， 得到 训练后的图像特征提取模型。 本方案可以使各个 过滤器在训练过程中互相感知和影 响， 提升训练 效率。 权利要求书2页 说明书16页 附图6页 CN 114119997 A 2022.03.01 CN 114119997 A 1.一种图像特 征提取模型的训练方法， 其特 征在于， 包括： 获取训练样本的图像特征以及图像特征提取模型， 所述图像特征提取模型包括卷积模 块以及全局注意力模块， 所述卷积模块包括多个并行 过滤器； 通过每个所述并行过滤器， 对所述训练样本的图像特征进行卷积操作， 得到每个所述 并行过滤器对应的图像子特 征； 将所有所述图像子特 征输入全局注意力模块， 得到具有全局注意力的图像特 征； 根据所述具有全局注意力的图像特 征， 调整所述卷积模块， 得到调整后的卷积模块； 根据所述调整后的卷积模块以及预设的损失函数， 得到训练后的图像特 征提取模型。 2.如权利要求1所述的图像特征提取模型的训练方法， 其特征在于， 所述图像特征提取 模型还包括注意力模块， 在所述获取训练样本的图像特征以及图像特征提取模型之前， 还 包括： 获取初始卷积模块； 将所述训练样本的图像特 征输入注意力模块， 得到注意力向量； 根据所述注意力向量调整所述初始卷积模块， 得到所述卷积模块。 3.如权利要求2所述的图像特征提取模型的训练方法， 其特征在于， 所述初始卷积模块 包括多个初始过滤器， 所述注意力向量包含多个与所述多个初始过滤器一一对应的值， 所 述根据所述注意力向量调整所述初始卷积模块， 得到所述卷积模块， 包括： 针对每个所述初始过滤器， 将所述初始过滤器与所述注意力向量中对应的值相乘， 得 到与每个所述初始过 滤器对应的并行 过滤器； 根据所有所述并行 过滤器， 得到所述卷积模块。 4.如权利要求1所述的图像特征提取模型的训练方法， 其特征在于， 所述将所有所述图 像子特征输入全局注意力模块， 得到具有全局注意力的图像特 征， 包括： 将所有所述图像子特征输入全局注意力模块， 针对每个所述图像子特征， 得到与所述 图像子特 征对应的具有全局注意力的图像子特 征； 将所有所述具有全局注意力的图像子特 征合并， 得到具有全局注意力的图像特 征。 5.如权利要求4所述的图像特征提取模型的训练方法， 其特征在于， 所述将所有所述图 像子特征输入全局注意力模块， 针对每个所述图像子特征， 得到与所述图像子特征对应的 具有全局注意力的图像子特 征， 包括： 将所有所述图像子特 征输入全局注意力模块； 针对每个所述图像子特征， 将所述图像子特征确定为第一图像子特征， 将除所述第一 图像子特 征以外的所有所述图像子特 征确定为第二图像子特 征； 确定所述第一图像子特征对应的第一关系值、 第二关系值以及特征值， 以及所述第二 图像子特 征对应的第一关系值、 第二关系值以及特 征值； 将所述第一图像子特征对应的第一关系值分别与每个所述第二图像子特征对应的第 二关系值以及特 征值进行目标运 算， 得到多个运 算结果； 将所述多个运算结果相加， 得到与 所述第一图像子特征对应的具有全局注意力的图像 子特征。 6.如权利要求1～5任一项所述的图像特征提取模型的训练方法， 其特征在于， 所述卷 积模块还包括组合过滤器， 所述根据所述具有全局注意力的图像特征， 调整所述卷积模块，权　利　要　求　书 1/2 页 2 CN 114119997 A 2得到调整后的卷积模块， 包括： 通过所述组合过 滤器， 对所述训练样本的图像特 征进行卷积操作， 得到图像总特 征； 根据所述具有全局注意力的图像特征以及所述图像总特征， 调整所述卷积模块， 得到 调整后的卷积模块。 7.如权利要求6所述的图像特征提取模型的训练方法， 其特征在于， 所述根据 所述具有 全局注意力的图像特征以及所述图像总特征， 调整 所述卷积模块， 得到调整后的卷积模块， 包括： 根据所述图像总特征以及所述具有全局注意力的图像特征， 进行梯度反转， 得到梯度 反转结果； 根据所述梯度反转结果， 调整所述卷积模块， 得到调整后的卷积模块。 8.一种图像特 征提取模型的训练装置， 其特 征在于， 包括： 获取单元， 用于获取训练样本的图像特征以及图像特征提取模型， 所述图像特征提取 模型包括卷积模块以及 全局注意力模块， 所述卷积模块包括组合过滤器以及多个并行过滤 器； 卷积单元， 用于通过每个所述并行过滤器， 对所述训练样本的图像特征进行卷积操作， 得到每个所述并行 过滤器对应的图像子特 征； 全局注意力单元， 用于将所有所述图像子特征输入全局注意力模块， 得到具有全局注 意力的图像特 征； 调整单元， 用于根据 所述具有全局注意力的图像特征， 调整所述卷积模块， 得到调整后 的卷积模块； 训练单元， 根据所述调整后的卷积模块以及预设的损 失函数， 得到训练后的图像特征 提取模型。 9.一种服务器， 其特征在于， 包括处理器和存储器， 所述存储器存储有多条指令； 所述 处理器从所述存储器中加载指令， 以执行如权利要求 1～7任一项 所述的图像特征提取模型 的训练方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有多条指 令， 所述指令适于处理器进行加载， 以执行权利要求1～7任一项所述的图像特征提取模型 的训练方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114119997 A 3