CN111738311A - 面向多任务的特征提取方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种面向多任务的特征提取方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取训练数据集合；对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。通过本公开的处理方案，能够基于同一个输入数据向多个任务提供特征数据。

Description

面向多任务的特征提取方法、装置及电子设备

技术领域

本公开涉及数据处理技术领域，尤其涉及一种面向多任务的特征提取方法、装置及电子设备。

背景技术

特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。

特征提取可以是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。

常规的特征提取方式通常是针对一个任务提取一个特征，提取的特征不具有通用性，不能同时满足多个任务的需要。

发明内容

有鉴于此，本公开实施例提供一种面向多任务的特征提取方法、装置及电子设备，以至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种面向多任务的特征提取方法，包括：

获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；

对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；

将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；

将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

根据本公开实施例的一种具体实现方式，所述获取训练数据集合，包括：

获取多个不同分类且不含有分类标签的训练元素；

将所述训练元素组合成训练数据集合。

根据本公开实施例的一种具体实现方式，所述获取训练数据集合，包括：

预先设置多个分类；

分别在多个分类中填充多个训练元素，使得不同分类中训练元素的数目满足均衡性要求；

将满足均衡性要求的多个分类中的训练元素的集合作为所述训练数据集合。

根据本公开实施例的一种具体实现方式，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：

判断所述训练元素是否为图像元素；

若是，则对所述训练元素执行色彩变化、图像裁剪、图像旋转及颜色通道提取中的至少一种变换操作；

将执行完变换操作之后的训练元素作为所述训练元素对应的变换元素。

根据本公开实施例的一种具体实现方式，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：

利用预先设置的相似性变换模型对所述训练元素进行相似性变换；

将变换后的训练元素作为所述变换元素。

根据本公开实施例的一种具体实现方式，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：

将所述正样本输入到所述神经网络模型中；

判断所述正样本在所述神经网络模型中的特征距离是否小于所述第一特征距离；

若是，则停止对所述神经网络模型的训练。

根据本公开实施例的一种具体实现方式，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：

将所述负样本输入到所述神经网络模型中；

判断所述负样本在所述神经网络模型中的特征距离是否大于所述第二特征距离；

若是，则停止对所述神经网络模型的训练。。

根据本公开实施例的一种具体实现方式，所述将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述，包括：

获取与所述神经网络模型连接的多个任务模型；

将所述神经网络模型输出的特征输入到所述多个任务模型中。

第二方面，本公开实施例提供了一种面向多任务的特征提取装置，包括：

获取模块，用于获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；

变换模块，用于对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；

训练模块，用于将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；

执行模块，用于将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的面向多任务的特征提取方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的面向多任务的特征提取方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的面向多任务的特征提取方法。

本公开实施例中的面向多任务的特征提取方案，包括获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。通过本公开的处理方案，提高了提取特征的通用性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种面向多任务的特征提取方法的流程图；

图2为本公开实施例提供的另一种面向多任务的特征提取方法的流程图；

图3为本公开实施例提供的另一种面向多任务的特征提取方法的流程图；

图4为本公开实施例提供的另一种面向多任务的特征提取方法的流程图；

图5为本公开实施例提供的一种面向多任务的特征提取装置的结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种面向多任务的特征提取方法。本实施例提供的面向多任务的特征提取方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。

参见图1及图2，本公开实施例中的面向多任务的特征提取方法，可以包括如下步骤：

S101，获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素。

在进行特征提取之前，需要选择训练数据，通过该训练数据，能够对神经网络模型进行训练，该神经网络模型可以是任何形式的神经网络模块，例如CNN卷积神经网络模型。

训练数据可以是多种类型的数据，例如，训练数据可以是图片类型的数据、语音类型的数据、视频类型的数据、文本类型的数据等。在此，对于训练数据的类型不做限定。

所有训练数据的总和构成了训练数据集合，训练数据集合中的每个组成部分为训练元素，为了保证训练数据集合的多样性，可以设置训练数据集合中的训练元素各不相同。

为此，在获取训练数据的过程中，可以对训练数据集合设置多个分类，通过向这多个分类填充数据的方式，完成训练数据集合的获取过程。在获取数据的过程中，还可以进一步的判断获得的数据是否含有分类标签，若含有元素分类标签，则不采用已经存在的分类标签，这样一来，可以保证训练元素的随机性。

S102，对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素。

获得完训练数据集合中的训练数据之后，可以进一步的对训练元素进行变化处理，通过变换处理，能够得到与训练元素相对应的变换元素。可以采用多种方式对训练元素进行特征变换，只要保证变换后的元素与变换之前的满足相似性即可。

以图像类型的训练元素为例，可以对同一张图像进行各种颜色变化，随机裁剪，旋转，颜色通道提取后，得到一张图像的不同特征的图像。当然，也可以采用其他类似的方式对于其他类型的训练元素进行设置。

S103，将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离。

对训练元素进行特征变换之后，可以将训练元素和与该训练元素对应的变换元素设置为正样本对，将多个正样本对集合在一起，便可以形成正样本集合。对于内容不同的训练元素，则可以设置为负样本集合。通过这种设置方式，能够保证正样本集合中的样本满足一定的相似性，负样本集合中的样本满足一定的差异性。

通过将正样本和负样本输入到神经网络模型中，可以对神经网络模型进行训练。在训练的过程中，可以对神经网络模型设置相应的训练指标，通过该训练指标，能够判断训练后的神经网络模型是否满足要求。作为一种方式，可以设置第一特征距离和第二特征距离，第一特征距离和第二特征距离可以用来表示两个对象之间的相似度程度，例如，可以采用欧式距离计算的方式来获得第一特征距离和第二特征距离。

第一特征距离可以是一个比较小的值，第二特征距离大于第一特征距离，第二特征距离可以是一个比较大的值。通过这种设置方式，可以对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，从而满足神经网络模型训练的要求。

S104，将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

在神经网络模型完成训练之后，由于通过正负样本的训练，使得训练后的神经网络模型输出的特征具有较高的准确度和辨识度，从而能够直接给多个不同的任务(例如，视频分割、目标检测等)提供输入参数，作为通用的特征表述来使用，提高了特征的使用效率。

通过上述实施例的方案，能够针对多个任务的输入提供通用型的特征输入，提高了特征输入的通用性。

根据本公开实施例的一种具体实现方式，所述获取训练数据集合，包括：获取多个不同分类且不含有分类标签的训练元素；将所述训练元素组合成训练数据集合。

参见图2，根据本公开实施例的一种具体实现方式，所述获取训练数据集合，包括：

S201，预先设置多个分类。

通过设置多个分类，能够有目的的设置多个不同类别的训练数据，从而提高训练数据集合中数据的多样性。

S202，分别在多个分类中填充多个训练元素，使得不同分类中训练元素的数目满足均衡性要求。

可以在多个分类中设置特定数目的训练元素，从而保证不同分类中训练元素的数据满足均衡性的要求。

S203，将满足均衡性要求的多个分类中的训练元素的集合作为所述训练数据集合。

通过上述实施例的方案，能够保证获取到的训练数据满足均衡性和多样性的要求。

参见图3，根据本公开实施例的一种具体实现方式，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：

S301，判断所述训练元素是否为图像元素。

S302，若是，则对所述训练元素执行色彩变化、图像裁剪、图像旋转及颜色通道提取中的至少一种变换操作。

S303，将执行完变换操作之后的训练元素作为所述训练元素对应的变换元素。

根据本公开实施例的一种具体实现方式，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：利用预先设置的相似性变换模型对所述训练元素进行相似性变换；将变换后的训练元素作为所述变换元素。

参见图4，根据本公开实施例的一种具体实现方式，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：

S401，将所述正样本输入到所述神经网络模型中。

S402，判断所述正样本在所述神经网络模型中的特征距离是否小于所述第一特征距离。

可以通过设置第一特征距离的方式，来判断正样本在神经网络模型训练之后，是否满足性能指标。第一特征距离可以通过预设的方式进行设置和计算，例如，可以通过欧式距离的方式来计算第一特征距离。

S403，若是，则停止对所述神经网络模型的训练。

通过该实施方式，能够通过第一特征距离来对神经网络模型进行设置和计算。

根据本公开实施例的一种具体实现方式，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：将所述负样本输入到所述神经网络模型中；判断所述负样本在所述神经网络模型中的特征距离是否大于所述第二特征距离；若是，则停止对所述神经网络模型的训练。

根据本公开实施例的一种具体实现方式，所述将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述，包括：获取与所述神经网络模型连接的多个任务模型；将所述神经网络模型输出的特征输入到所述多个任务模型中。

与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种面向多任务的特征提取装置50，包括：

获取模块501，用于获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；

变换模块502，用于对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；

训练模块503，用于将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；

执行模块504，用于将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的面向多任务的特征提取方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的面向多任务的特征提取方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的面向多任务的特征提取方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种面向多任务的特征提取方法，其特征在于，包括：

获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；

对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；

将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；

将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集合，包括：

获取多个不同分类且不含有分类标签的训练元素；

将所述训练元素组合成训练数据集合。

3.根据权利要求1所述的方法，其特征在于，所述获取训练数据集合，包括：

预先设置多个分类；

分别在多个分类中填充多个训练元素，使得不同分类中训练元素的数目满足均衡性要求；

将满足均衡性要求的多个分类中的训练元素的集合作为所述训练数据集合。

4.根据权利要求1所述的方法，其特征在于，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：

判断所述训练元素是否为图像元素；

若是，则对所述训练元素执行色彩变化、图像裁剪、图像旋转及颜色通道提取中的至少一种变换操作；

将执行完变换操作之后的训练元素作为所述训练元素对应的变换元素。

5.根据权利要求1所述的方法，其特征在于，所述对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素，包括：

利用预先设置的相似性变换模型对所述训练元素进行相似性变换；

将变换后的训练元素作为所述变换元素。

6.根据权利要求1所述的方法，其特征在于，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：

将所述正样本输入到所述神经网络模型中；

判断所述正样本在所述神经网络模型中的特征距离是否小于所述第一特征距离；

若是，则停止对所述神经网络模型的训练。

7.根据权利要求1所述的方法，其特征在于，所述将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，包括：

将所述负样本输入到所述神经网络模型中；

判断所述负样本在所述神经网络模型中的特征距离是否大于所述第二特征距离；

若是，则停止对所述神经网络模型的训练。。

8.根据权利要求1所述的方法，其特征在于，所述将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述，包括：

获取与所述神经网络模型连接的多个任务模型；

将所述神经网络模型输出的特征输入到所述多个任务模型中。

9.一种面向多任务的特征提取装置，其特征在于，包括：

获取模块，用于获取训练数据集合，所述训练数据集合包含多个内容各不相同的训练元素；

变换模块，用于对所述训练数据集合中的每个训练元素进行特征变换，得到与所述训练元素对应的变换元素；

训练模块，用于将训练元素和与所述训练元素对应的变换元素作为正样本、将不同内容的训练元素作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离；

执行模块，用于将训练完成之后的所述神经网络模型的输出作为多任务输入端通用的特征表述。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述利要求1-8中任一项所述的面向多任务的特征提取方法。

11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述利要求1-8中任一项所述的面向多任务的特征提取方法。

Images