[发明专利]基于深度卷积神经网络的服装属性检索方法

权利要求书

1.一种基于深度卷积神经网络的服装属性检索方法，其特点在于，包括以下步骤：

S01：采用快速的基于区域的卷积神经网络对输入图像进行人像检测；

S02：使用预训练的深度卷积神经网络进行属性特征提取，并保留最后池化层的特征；

S03：通过共享层连接最后池化层保留的特征，并融合所有属性的特征信息；

S04：建立属性树，将服装属性进行分类，将共享层按照分类进行分支，每个属性分支用于一组相关属性预测；属性分支在进行属性预测的前馈过程中，共享层将副本分配给每个属性分支，而在后向传播过程中，共享层积累每个属性分支的梯度；

S05：将属性分支的输出串联叠加，进行归一化，通过局部敏感哈希法进行相似度衡量，得出结果。

2.根据权利要求1所述的基于深度卷积神经网络的服装属性检索方法，其特征在于，所述步骤S01具体包括：

使用选择性搜索在输入图像中生成多个感兴趣区域候选框，输入到全卷积的卷积神经网络中，在最后一个卷积层上对每个感兴趣区域求映射关系，并用感兴趣区域池化层统一大小；

通过全连接层得到特征向量，特征向量经由各自的全连接层，得到两个输出向量：一个是使用交叉熵损失函数得到的分类，另一个是每一类的边界位置回归。

3.根据权利要求1所述的基于深度卷积神经网络的服装属性检索方法，其特征在于，所述步骤S04中的属性分支包括类别、性别、颜色和图案。

4.根据权利要求1所述的基于深度卷积神经网络的服装属性检索方法，其特征在于，所述步骤S05中进行归一化后，使用主成份分析法进行降维，具体步骤如下：

S11：将原始特征数据按行排列组成矩阵X，并对X进行数据标准化，使其均值变为零；

S12：求X的协方差矩阵C，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵P；

S13：通过计算Y=PX,得到降维后数据Y。

5.根据权利要求1所述的基于深度卷积神经网络的服装属性检索方法，其特征在于，所述步骤S05中通过局部敏感哈希法进行相似度衡量包括离线建立索引和在线查找两个步骤，具体步骤如下：

S21：选取满足条件的局部敏感哈希的哈希函数，根据对查找结果的准确率确定哈希表的个数L,每个哈希表内的哈希函数的个数K,以及与哈希函数自身有关的参数；将所有数据经过哈希函数哈希到相应的桶内，构成了一个或多个哈希表；

S22：将查找数据经过哈希函数哈希得到相应的桶号，将桶号中对应的前2L个数据取出，最后计算查询数据与这2L个数据之间的相似度或距离，返回最近邻的数据。