(19)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 202210142473.X (22)申请日 2022.02.16 (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 刘浩哲　纪浩钦　何楠君　李悦翔　 郑冶枫　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 专利代理师 李文静 (51)Int.Cl. G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/40(2022.01) (54)发明名称 特征提取模型的训练方法、 图像处理方法、 装置及设备 (57)摘要 本申请公开了一种特征提取模型的训练方 法、 图像处理方法、 装置及设备， 属于计算机技术 领域。 方法包括： 获取至少两张样本图像； 对至少 两张样本图像进行融合处理， 得到融合图像； 基 于神经网络模 型， 获取各张样 本图像的图像特征 和融合图像的图像特征； 基于各张样本图像的 图 像特征和融合图像的图像特征， 对神经网络模型 进行调整， 得到特征提取模型， 使得特征提取模 型学习到了样本图像的图像特征和 融合图像的 图像特征， 提高了特征提取模型的准确性和鲁棒 性， 从而提高了图像特征的准确性， 进而提高了 图像处理结果的准确性。 权利要求书2页 说明书18页 附图6页 CN 114511082 A 2022.05.17 CN 114511082 A 1.一种特 征提取模型的训练方法， 其特 征在于， 所述方法包括： 获取至少两张样本图像； 对所述至少两张样本图像进行融合处 理， 得到融合图像； 基于神经网络模型获取所述至少两张样本图像中的各张样本图像的图像特征和所述 融合图像的图像特 征； 基于所述各张样本图像的图像特征和所述融合图像的图像特征， 对所述神经网络模型 进行调整， 得到特 征提取模型。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述至少两张样本图像进行融合处 理， 得到融合图像， 包括： 基于所述各张样本 图像的融合权重， 对所述至少两张样本 图像进行融合处理， 得到融 合图像。 3.根据权利要求1所述的方法， 其特征在于， 所述基于所述各张样本图像的图像特征和 所述融合图像的图像特 征， 对所述神经网络模型进行调整， 得到特 征提取模型， 包括： 对所述各张样本图像的图像特 征进行融合处 理， 得到融合特 征； 基于所述融合特 征和所述融合图像的图像特 征， 确定第一损失值； 基于所述第一损失值对所述神经网络模型进行调整， 得到所述特 征提取模型。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述各张样本图像的图像特征进行 融合处理， 得到融合特 征， 包括： 基于所述各张样本 图像的融合权重， 对所述各张样本 图像的图像特征进行融合处理， 得到融合特 征。 5.根据权利要求3所述的方法， 其特征在于， 所述基于所述第 一损失值对所述神经网络 模型进行调整， 得到所述特 征提取模型， 包括： 基于所述融合特 征确定第二损失值； 基于所述第一损 失值和所述第二损 失值， 对所述神经网络模型进行调整， 得到所述特 征提取模型。 6.根据权利要求5所述的方法， 其特征在于， 所述基于所述融合特征确定第二损 失值， 包括： 基于所述融合特 征预测得到所述融合图像的第一分类结果； 获取所述融合图像的标注分类结果； 基于所述融合图像的第 一分类结果和所述融合图像的标注分类结果， 确定所述第 二损 失值。 7.根据权利要求5所述的方法， 其特征在于， 所述基于所述融合特征确定第二损 失值， 包括： 对所述融合特 征进行信息熵最大化处 理， 得到所述第二损失值。 8.根据权利要求3所述的方法， 其特征在于， 所述基于所述第 一损失值对所述神经网络 模型进行调整， 得到所述特 征提取模型， 包括： 基于所述融合图像的图像特 征确定第三损失值； 基于所述第一损 失值和所述第三损 失值， 对所述神经网络模型进行调整， 得到所述特 征提取模型。权　利　要　求　书 1/2 页 2 CN 114511082 A 29.根据权利要求8所述的方法， 其特征在于， 所述基于所述融合图像的图像特征确定第 三损失值， 包括： 基于所述融合图像的图像特 征预测得到所述融合图像的第二分类结果； 获取所述融合图像的标注分类结果； 基于所述融合图像的第 二分类结果和所述融合图像的标注分类结果， 确定所述第 三损 失值。 10.根据权利要求8所述的方法， 其特征在于， 所述基于所述融合图像的图像特征确定 第三损失值， 包括： 对所述融合图像的图像特 征进行信息熵最大化处 理， 得到所述第三损失值。 11.一种图像处 理方法， 其特 征在于， 所述方法包括： 获取目标图像； 基于特征提取模型获取所述目标图像的图像特征， 所述特征提取模型是按照权利要求 1至10任一所述的特 征提取模型的训练方法训练得到的； 基于所述目标图像的图像特 征， 对所述目标图像进行图像处 理。 12.一种特 征提取模型的训练装置， 其特 征在于， 所述装置包括： 第一获取模块， 用于获取至少两张样本图像； 融合模块， 用于对所述至少两张样本图像进行融合处 理， 得到融合图像； 第二获取模块， 用于基于神经网络模型获取所述至少两张样本图像中的各张样本图像 的图像特 征和所述融合图像的图像特 征； 调整模块， 用于基于所述各张样本 图像的图像特征和所述融合图像的图像特征， 对所 述神经网络模型进行调整， 得到特 征提取模型。 13.一种图像处 理装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取目标图像； 所述获取模块， 还用于基于特征提取模型获取所述目标图像的图像特征， 所述特征提 取模型是按照权利要求1至10任一所述的特 征提取模型的训练方法训练得到的； 处理模块， 用于基于所述目标图像的图像特 征， 对所述目标图像进行图像处 理。 14.一种电子设备， 其特征在于， 所述电子设备包括处理器和存储器， 所述存储器中存 储有至少一条计算机程序， 所述至少一条计算机程序由所述处理器加载并执行， 以使所述 电子设备实现如权利要求 1至10任一所述的特征提取模型的训练方法或者 实现如权利要求 11所述的图像处 理方法。 15.一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中存储有至少一 条计算机程序， 所述至少一条计算机程序由处理器加载并执行， 以使计算机实现如权利要 求1至10任一所述的特征提取模型的训练方法或者实现如权利要求11所述的图像处理方 法。 16.一种计算机程序产品， 其特征在于， 所述计算机程序产品中存储有至少一条计算机 程序， 所述至少一条计算机程序由处理器加载并执行， 以使计算机实现如权利要求 1至10任 一所述的特 征提取模型的训练方法或者实现如权利要求1 1所述的图像处 理方法。权　利　要　求　书 2/2 页 3 CN 114511082 A 3