CN118015316B - 一种图像匹配模型训练的方法、装置、存储介质、设备 - Google Patents

Abstract

本说明书公开了一种图像匹配模型训练的方法、装置、存储介质、设备，获取由第一基准图像和第一待匹配图像组成的第一样本组，将第一样本组输入预先训练的教师模型，确定第一基准图像与第一待匹配图像的匹配度，作为伪标注，将第一样本组输入图像匹配模型，确定第一基准图像与第一待匹配图像的当前匹配度，图像匹配模型的复杂度小于教师模型的复杂度，根据当前匹配度与伪标注的差异，对图像匹配模型进行训练，本方法利用预先训练的复杂度较高、输出结果精准的教师模型，使得复杂度较低、运算速度较快的图像匹配模型可以学习到教师模型的策略，最终训练得到运算速度快、输出结果精准的图像匹配模型，可应对时限短、批量大的图像定位匹配任务。

Description

一种图像匹配模型训练的方法、装置、存储介质、设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种图像匹配模型训练的方法、装置、存储介质、设备。

背景技术

在飞行器的飞行过程中，需要获取该飞行器的实时坐标以对该飞行器提供导航支持，利用飞行器实时拍摄的环境图像与预存的各地理坐标的图像进行匹配以获取飞行器实时坐标的图像匹配定位是一种较为精准的定位技术。

但是，图像匹配定位技术对精度的要求极高，使得所运用的图像匹配模型复杂度较高，限制了图像定位技术的大规模运用。

由此，本发明提供一种图像匹配模型训练的方法、装置、存储介质、设备。

发明内容

本说明书提供一种图像匹配模型训练的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种图像匹配模型训练的方法，包括：

获取由第一基准图像和第一待匹配图像组成的第一样本组；

将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注；

将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度；

根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练。

可选的，所述教师模型由若干匹配度评分模块组成；

预先训练教师模型，具体包括：

获取由第二基准图像和第二待匹配图像组成的第二样本组，以及表示所述第二基准图像与所述第二待匹配图像匹配关系的第二匹配标注；

将所述第二样本组输入所述教师模型，使所述教师模型中的每个匹配度评分模块分别输出针对所述第二样本组的初始匹配度；

根据各初始匹配度，确定与所述第二匹配标注差异最小的初始匹配度作为目标匹配度，根据所述目标匹配度与所述第二匹配标注的差异，对输出所述目标匹配度的匹配度评分模块进行训练。

可选的，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注，具体包括：

将所述第一样本组输入预先训练的教师模型；

得到所述教师模型中各匹配度评分模块分别输出的各待选匹配度；

获取表示所述第一基准图像与所述第一待匹配图像匹配关系的第一匹配标注；

确定与所述第一匹配标注差异最小的待选匹配度，作为伪标注。

可选的，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练，具体包括：

以所述当前匹配度与所述伪标注的差异最小，且所述当前匹配度与所述第一匹配标注的差异最小为目标，对所述图像匹配模型进行训练。

可选的，所述图像匹配模型具体包括第一图像匹配模块和第二图像匹配模块，所述第二图像匹配模块的复杂度高于所述第一图像匹配模块；

将所述第一样本组输入所述图像匹配模型，得到所述图像匹配模型输出的当前匹配度，具体包括：

将所述第一样本组输入所述第一图像匹配模块与第二图像匹配模块，得到所述第一图像匹配模块输出的第一匹配度和所述第二图像匹配模块输出的第二匹配度；

将所述第一匹配度与所述第二匹配度均作为当前匹配度。

可选的，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练，具体包括：

根据所述第一匹配度与所述伪标注的差异，对所述第一图像匹配模块进行训练；

根据所述第二匹配度与所述伪标注的差异，对所述第二图像匹配模块进行训练。

可选的，所述方法还包括：

当对飞行器实拍图像进行匹配时，针对预存的每个坐标的基准图像，将该坐标的基准图像与所述飞行器实拍图像组成待测组；

将各待测组输入训练完成的图像匹配模型，得到所述训练完成的图像匹配模型中第一匹配模块输出的针对各待测组的各第一实拍匹配度；

根据各第一实拍匹配度，确定预设数量的待测组作为筛选组；

将各筛选组输入所述训练完成的图像匹配模型的第二匹配模块，得到针对各筛选组的各第二实拍匹配度；

将第二实拍匹配度最高的筛选组中的基准图像，作为与所述飞行器实拍图像匹配的基准图像。

本说明书提供了一种图像匹配模型训练装置，包括：

获取模块，获取由第一基准图像和第一待匹配图像组成的第一样本组；

标注模块，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注；

计算模块，将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度；

训练模块，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像匹配模型训练的方法。

本说明书提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像匹配模型训练的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的图像匹配模型训练的方法中，获取由第一基准图像和第一待匹配图像组成的第一样本组，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注，将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练。

从上述方法中可以看出，本方法利用预先训练的复杂度较高、输出结果精准的教师模型对图像匹配模型进行训练，使得复杂度较低、运算速度较快的图像匹配模型可以从教师模型的输出结果中学习到教师模型的策略，最终训练得到运算速度快、输出结果精准的图像匹配模型，可应对时限短、批量大的图像定位匹配任务。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种图像匹配模型训练方法的流程示意图；

图2为本说明书中确定各初始匹配度的流程示意图；

图3为本说明书提供的一种图像匹配模型训练装置的示意图；

图4为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种图像匹配模型训练的方法的流程示意图，该图像匹配模型训练方法具体包括以下步骤：

S100：获取由第一基准图像和第一待匹配图像组成的第一样本组。

在利用图像匹配定位技术对飞行器进行定位时，需要利用飞行器实时拍摄的环境图像与预存的各地理坐标的图像进行匹配，若有任一地理坐标的图像与该飞行器实时拍摄的环境图像匹配成功，则可根据该匹配成功的地理坐标确定飞行器的地理坐标。基于此，本说明书所提供的方法在进行图像匹配模型训练时，首先获取作为样本的第一基准图像和第一待匹配图像，其中待匹配图像可为历史上飞行器拍摄的环境图像，基准图像则可为数据库中所存储的真实的各地理坐标的基准图像。

其中，本说明书中包括第一样本组在内的各样本组，均可具体分为正样本组与负样本组，正样本组中的基准图像为与该正样本组中的待匹配图像在历史上匹配成功的基准图像，而负样本组中的基准图像则不是该负样本组中的待匹配图像在历史上匹配成功的基准图像。其中，负样本组中的基准图像可以是匹配成功的基准图像之外的由数据库中随机抽选出的任一地理坐标的基准图像。

在本说明书的一个或多个实施例中，建立负样本组，具体可首先确定各基准图像的类别，该类别可以是各基准图像所记录的地理坐标的地貌类型，如街道、平原、山陵等，并确定各类别的基准图像的数量。随后，获取待匹配图像， 在各基准图像类别中抽取一个类别作为目标类别，并在该抽取出的目标类别的各基准图像中随机选择一个基准图像与该待匹配图像组成负样本组。其中，在各基准图像类别中抽取一个类别作为目标类别，具体可使用如下公式：

pi为第i个类别被抽取出的概率，ni为第i个类别的基准图像的数量，c为数据库中的类别总数，z为预设的压缩系数，可根据实际需要自行设置，一般可设置为0.75。

S102：将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注。

教师模型，即为在对图像匹配模型进行训练之前，利用基准图像与待匹配图像预先训练完成的模型，在训练完成后可根据输入该教师模型的样本组（由基准图像与待匹配图像组成），输出该样本组中基准图像与待匹配图像的匹配度。匹配度，可以用教师模型所输出的该样本组为正样本组的概率进行表示，由于该教师模型预先完成了训练，该教师模型针对第一样本组所输出的匹配度贴近真实结果，可作为图像匹配模型训练的伪标注。

其中，该教师模型可由特征提取模块与匹配度评分模块组成，该特征提取模块可用于提取基准图像与待匹配图像的特征，该匹配度评分模块可根据特征提取模块所提取出的特征输出该基准图像与该待匹配图像的匹配度，该特征提取模块与匹配度评分模块可以是现有的任意具有相关功能的机器学习模型（支持向量机、神经网络、多层感知机等）。更进一步的，该特征提取模块可由待匹配图像提取模块与基准图像提取模块组成，将样本组中的待匹配图像输入待匹配图像提取模块，将样本组中的基准图像输入基准图像提取模块，即可得到待匹配图像特征与基准图像特征，将提取出的待匹配图像特征与基准图像特征输入匹配度评分模块，即可得到教师模型输出的该样本组的匹配度。

具体的，将提取出的待匹配图像特征与基准图像特征输入匹配度评分模块的方式，可以是对该待匹配图像特征以及该基准图像特征进行组合，将所得到的组合特征输入匹配度评分模块，对待匹配图像特征以及基准图像特征进行组合的方式，可以为对待匹配图像特征和基准图像特征进行拼接、差分、点积等各种常见的组合操作。

S104：将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度。

在获得伪标注之后，即可再将输入教师模型的第一样本组输入图像匹配模型，得到图像匹配模型输出的第一样本组中第一基准图像与第一待匹配图像的当前匹配度，与S102中描述所类似的，该当前匹配度可以该图像匹配模型所输出的该样本组为正样本组的概率进行表示。

其中，该图像匹配模型的结构与教师模型类似，可由特征提取模块与匹配度评分模块组成，同样的，该图像匹配模型中的特征提取模块可由待匹配图像提取模块与基准图像提取模块组成，但是该图像匹配模型的复杂度小于该教师模型，也就是说，该图像匹配模型中的每个模块的参数量小于教师模型中该模块的对应模块的参数量。

由此，在面对相同数量的样本组时，该图像匹配模型的运算速度将快于该教师模型。

S106：根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练。

在分别获得了伪标注与当前匹配度之后，即可根据当前匹配度与伪标注的差异，以损失函数确定该图像匹配模型的损失，根据图像匹配模型的损失对该图像匹配模型中的各模型层（特征提取模块与匹配度评分模块）进行训练。

其中，确定该图像匹配模型的损失可使用合页损失、交叉熵损失、均方误差损失或平均误差损失等常见的损失函数。

如图1所示的一种图像匹配模型训练的方法，利用预先训练的复杂度较高、输出结果精准的教师模型对图像匹配模型进行训练，使得复杂度较低、运算速度较快的图像匹配模型可以从教师模型的输出结果中学习到教师模型的策略，最终训练得到运算速度快、输出结果精准的图像匹配模型，可应对时限短、批量大的定位图像匹配任务。

在本说明书的一个或多个实施例中，教师模型由若干匹配度评分模块组成，预先训练教师模型，具体包括：获取由第二基准图像和第二待匹配图像组成的第二样本组，以及表示所述第二基准图像与所述第二待匹配图像匹配关系的第二匹配标注，将所述第二样本组输入所述教师模型，使所述教师模型中的每个匹配度评分模块分别输出针对所述第二样本组的初始匹配度，根据各初始匹配度，确定与所述第二匹配标注差异最小的初始匹配度作为目标匹配度，根据所述目标匹配度与所述第二匹配标注的差异，对输出所述目标匹配度的匹配度评分模块进行训练。

其中，为获得更好的训练效果，第二样本组可设置为：用于训练的各第二样本组中包括各第一样本组，并且第二样本组样本数量更多，包括更多场景、姿态、时间跨度更大的第二基准图像和第二待匹配图像。

为了提高教师模型的输出结果的准确度，该教师模型可同时包含若干并行的匹配度评分模块，一个教师模型中匹配度评分模块的数量可根据算力自行设置，各匹配度评分模块的结构及参数量相同，底层参数共享，利用不同的随机数分别完成各匹配度评分模块参数的初始化。如图2所示，在将第二样本组输入教师模型后，教师模型的特征提取模块提取出第二样本组的特征，随后将提取出的特征输入各匹配度评分模块（每个匹配度评分模块均输入相同的特征），从而得到各匹配度评分模块输出的各初始匹配度。随后，将与第二匹配标注差异最小的初始匹配度作为目标匹配度，以缩小第二匹配标注与初始匹配度为目标对该教师模型中输出目标匹配度的匹配度评分模块以及特征提取模块进行训练。具体的，第二匹配度标注可以“0”或“1”的数字表示，“0”即表示该第二样本组为负样本组，“1”则表示该第二样本组为正样本组，从而可根据教师模型输出的以概率表示的初始匹配度与该第二匹配度的差异，确定教师模型的损失。由此，在每轮训练中，对各匹配度评分模块中的一个进行训练，在多轮训练完成后，各匹配度评分模块可分别对一个特定类别的样本组输出精准的匹配度判断结果，从而在无需事先确定样本组的具体分类标准以及分类数量的情况下，实现了对各类样本组更为精准的匹配度输出。

同样的，该教师模型的损失可使用合页损失、交叉熵损失、均方误差损失或平均误差损失等常见的损失函数。当使用交叉熵损失时，教师模型的优化目标为使接近0：

其中，n表示第二样本组的样本数量，yi为各第二样本组的第二匹配标签（“0”或“1”），psi为预测第二样本组属于正样本组的概率。

在此基础上，在如图1所示的步骤S102中，将所述第一样本组输入预先训练的教师模型，得到所述教师模型中各匹配度评分模块分别输出的各待选匹配度，获取表示所述第一基准图像与所述第一待匹配图像匹配关系的第一匹配标注，确定与所述第一匹配标注差异最小的待选匹配度，作为伪标注。

当教师模型具有多个匹配度评分模块时，针对输入教师模型的第一样本组，该教师模型可得到若干待选匹配度，此时，还需获取第一样本组所对应的第一匹配标注，将待选匹配度中与第一匹配标注数值差异最小的待选匹配度作为伪标注。其中，第一匹配标注的表示形式与第二匹配标注相同。

进一步的，在如图1所示的步骤S106中，以所述当前匹配度与所述伪标注的差异最小，且所述当前匹配度与所述第一匹配标注的差异最小为目标，对所述图像匹配模型进行训练。

具体的，在对图像匹配模型进行训练时，可以当前匹配度与所述伪标注的差异最小，且所述当前匹配度与所述第一匹配标注的差异最小为目标，也就是使Lmodel接近0为目标：

其中N表示第一样本组的样本数量，xi为各第一样本组的第一匹配标签（“0”或“1”），pi为图像匹配模型预测第一样本组属于正样本组的概率，为预设的蒸馏损失的权重，/>表示当前匹配度与伪标注的差异，采用均方误差损失时为/>

pti为教师模型预测第一样本组属于正样本组的概率。

在本说明书的一个或多个实施例中，图像匹配模型具体包括第一图像匹配模块和第二图像匹配模块，所述第二图像匹配模块的复杂度高于所述第一图像匹配模块，在如图1所示的步骤S104中，将所述第一样本组输入所述第一图像匹配模块与第二图像匹配模块，得到所述第一图像匹配模块输出的第一匹配度和所述第二图像匹配模块输出的第二匹配度，将所述第一匹配度与所述第二匹配度均作为当前匹配度。

也即该第一图像匹配模块与该第二图像匹配模块的结构相同，仅各自相同功能子模块的参数量不同，从而第一图像匹配模块与第二图像匹配模块均可独立完成根据输入模型的第一样本组输出该第一基准图像与第一待匹配图像的匹配度的任务。具体的，该第一图像匹配模块可由第一特征提取子模块与第一匹配度评分子模块组成，该第二图像匹配模块可由第二特征提取子模块与第二匹配度评分子模块组成，在对图像匹配模型的训练过程中，该第一图像匹配度模块与第二图像匹配度模块可并行运行，互不干扰。在将第一样本组输入图像匹配模块时，将该第一样本组分别输入第一图像匹配模块与该第二图像匹配模块，将第一图像匹配模块输出的第一匹配度与第二图像匹配模块输出的第二匹配度均作为当前匹配度。需要注意的是，第二图像匹配模块中各子模块的参数量，可在多于第一图像匹配模块中对应子模块参数量的前提下，根据自身算力资源自行设置，本说明书在此不做限制。

接下来，在如图1所示的步骤S106中，根据所述第一匹配度与所述伪标注的差异，对所述第一图像匹配模块进行训练，根据所述第二匹配度与所述伪标注的差异，对所述第二图像匹配模块进行训练。

如前所述，第一图像匹配模块与第二图像匹配模块结构相同并行运行，在对第一匹配度模块以及第二匹配度模块进行训练时，根据第一匹配度与伪标注的差异，对第一图像匹配模块进行训练，根据第二匹配度与伪标注的差异，对第二图像匹配模块进行训练。由此，在多轮训练之后，即可得到针对样本组输出匹配度较为准确的第一图像匹配模块以及针对样本组输出匹配度更为准确的第二图像匹配模块。

在本说明书的一个或多个实施例中，可以第一匹配度与伪标注的差异最小，且第一匹配度与第一匹配标注的差异最小为目标，对所述第一图像匹配模块进行训练，以第二匹配度与伪标注的差异最小，且第二匹配度与第一匹配标注的差异最小为目标，对第二图像匹配模块进行训练。

在完成包括第一图像匹配模块和第二图像匹配模块的图像匹配模型的训练之后，在实际的应用过程中，获取到飞行器实拍图像后，当对飞行器实拍图像进行匹配时，针对预存的每个坐标的基准图像，将该坐标的基准图像与所述飞行器实拍图像组成待测组，将各待测组输入训练完成的图像匹配模型，得到所述训练完成的图像匹配模型中第一匹配模块输出的针对各待测组的各第一实拍匹配度，根据各第一实拍匹配度，确定预设数量的待测组作为筛选组，将各筛选组输入所述训练完成的图像匹配模型的第二匹配模块，得到针对各筛选组的各第二实拍匹配度，将第二实拍匹配度最高的筛选组中的基准图像，作为与所述飞行器实拍图像匹配的基准图像。

进一步的，由于在匹配过程中基准图像都是已知的，可以预先利用基准图像提取模块提取基准图像特征，进行存储；实际应用过程中，只需利用待匹配图像提取模块提取待匹配图像特征；将提取出的待匹配图像特征与基准图像特征输入匹配度评分模块，得到匹配结果。

特别地，第一图像匹配模块的匹配度评分模块采用余弦相似度对待匹配图像特征与基准图像特征进行度量，通过向量检索，整个过程可以在数毫秒内完成。

由上可知，第一图像匹配模块的复杂度小于第二图像匹配度模块，由此第一图像匹配模块更适应于大批量、快速匹配的任务，而第二匹配度模块更适应于小批量、精准匹配的任务。在获取到飞行器实拍图像之后，首先利用图像匹配模型的第一匹配度模块，确定该飞行器实拍图像与数据库中预存的每个坐标的基准图像的第一实拍匹配度，根据预设的筛选数量X，确定与该飞行器实拍图像匹配度最高的X个坐标的基准图像，在将第一匹配度模块所筛选出的每个坐标的基准图像，分别与飞行器实拍图像组成筛选组，利用第二图像匹配模块得到各筛选组中的基准坐标与飞行器实拍图像的第二实拍匹配度，将第二匹配度最高的基准图像作为与飞行器实拍图像匹配的基准图像。由此，在面对大批量的匹配任务时，先使用运算速度较快，占用算力较少的第一图像匹配模块，在对第一图像匹配模块筛选出的筛选组使用第二图像匹配模块最终确定与飞行器实拍图像匹配的基准图像，可保证匹配任务执行速度的同时，不影响匹配的精准度。其中，筛选数量X可根据自身算力资源自行调整，本说明书在此不做限制。

该训练完成的图像匹配模型可布置于飞行器的内置控制***，或远程后台控制***等常见的可执行计算任务并对飞行器进行控制的平台或服务器中，本说明书在此不做限制。

以上为本说明书的一个或多个实施例提供的图像匹配模型训练的方法，基于同样的思路，本说明书还提供了相应的图像匹配模型训练装置，如图3所示。

图3为本说明书提供的一种图像匹配模型训练装置示意图，具体包括：

获取模块300，获取由第一基准图像和第一待匹配图像组成的第一样本组；

标注模块302，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注；

计算模块304，将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度；

训练模块306，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练。

可选的，所述教师模型由若干匹配度评分模块组成，训练模块306，还用于：获取由第二基准图像和第二待匹配图像组成的第二样本组，以及表示所述第二基准图像与所述第二待匹配图像匹配关系的第二匹配标注，将所述第二样本组输入所述教师模型，使所述教师模型中的每个匹配度评分模块分别输出针对所述第二样本组的初始匹配度，根据各初始匹配度，确定与所述第二匹配标注差异最小的初始匹配度作为目标匹配度，根据所述目标匹配度与所述第二匹配标注的差异，对输出所述目标匹配度的匹配度评分模块进行训练。

可选的，标注模块302，具体用于：将所述第一样本组输入预先训练的教师模型，得到所述教师模型中各匹配度评分模块分别输出的各待选匹配度，获取表示所述第一基准图像与所述第一待匹配图像匹配关系的第一匹配标注，确定与所述第一匹配标注差异最小的待选匹配度，作为伪标注。

可选的，训练模块306，具体用于：以所述当前匹配度与所述伪标注的差异最小，且所述当前匹配度与所述第一匹配标注的差异最小为目标，对所述图像匹配模型进行训练。

可选的，所述图像匹配模型具体包括第一图像匹配模块和第二图像匹配模块，所述第二图像匹配模块的复杂度高于所述第一图像匹配模块，计算模块304，具体用于：将所述第一样本组输入所述第一图像匹配模块与第二图像匹配模块，得到所述第一图像匹配模块输出的第一匹配度和所述第二图像匹配模块输出的第二匹配度，将所述第一匹配度与所述第二匹配度均作为当前匹配度。

可选的，训练模块306，具体用于：根据所述第一匹配度与所述伪标注的差异，对所述第一图像匹配模块进行训练，根据所述第二匹配度与所述伪标注的差异，对所述第二图像匹配模块进行训练。

可选的，所述装置还包括匹配模块308，用于：当对飞行器实拍图像进行匹配时，针对预存的每个坐标的基准图像，将该坐标的基准图像与所述飞行器实拍图像组成待测组，将各待测组输入训练完成的图像匹配模型，得到所述训练完成的图像匹配模型中第一匹配模块输出的针对各待测组的各第一实拍匹配度，根据各第一实拍匹配度，确定预设数量的待测组作为筛选组，将各筛选组输入所述训练完成的图像匹配模型的第二匹配模块，得到针对各筛选组的各第二实拍匹配度，将第二实拍匹配度最高的筛选组中的基准图像，作为与所述飞行器实拍图像匹配的基准图像。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的图像匹配模型训练的方法。

本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该图像匹配模型训练设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的图像匹配模型训练方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种图像匹配模型训练的方法，其特征在于，所述方法包括：

获取由第一基准图像和第一待匹配图像组成的第一样本组；

将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注；

将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度；

根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练；

所述教师模型由若干匹配度评分模块组成；

预先训练教师模型，具体包括：

获取由第二基准图像和第二待匹配图像组成的第二样本组，以及表示所述第二基准图像与所述第二待匹配图像匹配关系的第二匹配标注；

将所述第二样本组输入所述教师模型，使所述教师模型中的每个匹配度评分模块分别输出针对所述第二样本组的初始匹配度；

根据各初始匹配度，确定与所述第二匹配标注差异最小的初始匹配度作为目标匹配度，根据所述目标匹配度与所述第二匹配标注的差异，对输出所述目标匹配度的匹配度评分模块进行训练。

2.如权利要求1所述的方法，其特征在于，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注，具体包括：

将所述第一样本组输入预先训练的教师模型；

得到所述教师模型中各匹配度评分模块分别输出的各待选匹配度；

获取表示所述第一基准图像与所述第一待匹配图像匹配关系的第一匹配标注；

确定与所述第一匹配标注差异最小的待选匹配度，作为伪标注。

3.如权利要求2所述的方法，其特征在于，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练，具体包括：

以所述当前匹配度与所述伪标注的差异最小，且所述当前匹配度与所述第一匹配标注的差异最小为目标，对所述图像匹配模型进行训练。

4.如权利要求1所述的方法，其特征在于，所述图像匹配模型具体包括第一图像匹配模块和第二图像匹配模块，所述第二图像匹配模块的复杂度高于所述第一图像匹配模块；

将所述第一样本组输入所述图像匹配模型，得到所述图像匹配模型输出的当前匹配度，具体包括：

将所述第一样本组输入所述第一图像匹配模块与第二图像匹配模块，得到所述第一图像匹配模块输出的第一匹配度和所述第二图像匹配模块输出的第二匹配度；

将所述第一匹配度与所述第二匹配度均作为当前匹配度。

5.如权利要求4所述的方法，其特征在于，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练，具体包括：

根据所述第一匹配度与所述伪标注的差异，对所述第一图像匹配模块进行训练；

根据所述第二匹配度与所述伪标注的差异，对所述第二图像匹配模块进行训练。

6.如权利要求4所述的方法，其特征在于，所述方法还包括：

当对飞行器实拍图像进行匹配时，针对预存的每个坐标的基准图像，将该坐标的基准图像与所述飞行器实拍图像组成待测组；

将各待测组输入训练完成的图像匹配模型，得到所述训练完成的图像匹配模型中第一匹配模块输出的针对各待测组的各第一实拍匹配度；

根据各第一实拍匹配度，确定预设数量的待测组作为筛选组；

将各筛选组输入所述训练完成的图像匹配模型的第二匹配模块，得到针对各筛选组的各第二实拍匹配度；

将第二实拍匹配度最高的筛选组中的基准图像，作为与所述飞行器实拍图像匹配的基准图像。

7.一种图像匹配模型训练装置，其特征在于，包括：

获取模块，获取由第一基准图像和第一待匹配图像组成的第一样本组；

标注模块，将所述第一样本组输入预先训练的教师模型，确定所述第一基准图像与所述第一待匹配图像的匹配度，作为伪标注；

计算模块，将所述第一样本组输入图像匹配模型，确定所述第一基准图像与所述第一待匹配图像的当前匹配度，所述图像匹配模型的复杂度小于所述教师模型的复杂度；

训练模块，根据所述当前匹配度与所述伪标注的差异，对所述图像匹配模型进行训练；

所述教师模型由若干匹配度评分模块组成；

所述训练模块，还用于：

获取由第二基准图像和第二待匹配图像组成的第二样本组，以及表示所述第二基准图像与所述第二待匹配图像匹配关系的第二匹配标注；

将所述第二样本组输入所述教师模型，使所述教师模型中的每个匹配度评分模块分别输出针对所述第二样本组的初始匹配度；

根据各初始匹配度，确定与所述第二匹配标注差异最小的初始匹配度作为目标匹配度，根据所述目标匹配度与所述第二匹配标注的差异，对输出所述目标匹配度的匹配度评分模块进行训练。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。

9.一种图像匹配模型训练设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。