[发明专利]一种有监督深度哈希快速图片检索方法及系统

权利要求书

1.一种有监督深度哈希快速图片检索方法，其特征在于，包括：

S1：构建用于快速图像检索的深度卷积神经网络H″；

对于每张图片a，随机分配一张相似图片p与一张非相似图片n，构成一组三元组训练样本(a,p,n)；

在已有的深度神经网络模型末端叠加低维哈希层，构成深度卷积神经网络H，深度卷积神经网络H经过三次复制得到三路并行且参数共享的深度卷积神经网络H′；

将所述三元组训练样本(a,p,n)输入到深度卷积神经网络H′开始训练，同时对该训练样本进行缩放与裁剪；

先采用优化三元组损失函数训练深度卷积神经网络H′，以梯度回传的方式对深度卷积神经网络H′进行网络参数的更新；

再采用优化三元组量化损失函数微调深度卷积神经网络H′，以梯度回传的方式对深度卷积神经网络H′进行网络参数的更新；

以上训练微调后的深度卷积神经网络H′中任意抽取一路网络即用于快速图像检索的深度卷积神经网络H″；

S2：将图库中的图片依次输入深度卷积神经网络H″后得到实值特征，经过量化操作后得到哈希码并储存在本地；

S3：将每一张查询图片q输入至深度卷积神经网络H″并量化得到哈希码h(q)，再计算哈希码h(q)与所有存储在本地的哈希码之间的汉明距离，将汉明距离为小的认作相似度为高，以此进行排序，最终根据检索数量要求返回相应数量的最为相似的图片；

所述S1，采用优化三元组量化损失函数微调深度卷积神经网络H′，以梯度回传的方式对深度卷积神经网络H′进行网络参数的更新，是指：

步骤Sc1，三元组训练样本(a,p,n)经过深度卷积神经网络H′，得到三元组训练样本中的每张图片所对应的实值特征f^a，f^p，fⁿ；

步骤Sc2，计算三元组量化损失函数，向网络H′反向传播梯度以更新网络参数，其中：

所述三元组量化损失函数loss_Q(f^a,f^p,fⁿ)为：

其中α_s用于控制相似图片的特征距离0.5的远近，α_d用于控制非相似图片间特征的距离，δ用于控制非相似图片间每个维度上的距离，β与γ用于平衡两项；

在步骤Sc2中：

利用三元组量化损失函数，使得相似图片a与p各维度特征值都同时大于设定阈值或同时小于设定阈值，促使通过门槛函数后各维度的哈希码值相同；同时控制非相似图片a与n之间距离足够大，促使通过门槛函数后存在部分维度上两者的哈希码值不同。

2.根据权利要求1所述的有监督深度哈希快速图片检索方法，其特征在于，所述S1中，三元组训练样本(a,p,n)按照如下操作得到：

对于基准图片a，根据标签分配相似图片p与非相似图片n，其中标签相同则为相似图片，不相同则为非相似图片，构成三元组训练样本(a,p,n)；每一张图片都作为基准图片并进行多次如上操作，每一组三元组训练样本都与其他组的成员不完全相同。

3.根据权利要求1所述的有监督深度哈希快速图片检索方法，其特征在于，所述S1中，深度卷积神经网络H′按照如下步骤得到：

步骤Sa1，参考已有的深度卷积神经网络，省去网络末端损失层，形成可输出多维实值特征的结构；

步骤Sa2，构建低维的全连接层，配以激活函数后作为低维哈希层，并接在步骤S21得到的网络末端，得到深度卷积神经网络H；

步骤Sa3，复制三次深度卷积神经网络H，并行排列并设置为参数共享，构成深度卷积神经网络H′。

4.根据权利要求3所述的有监督深度哈希快速图片检索方法，其特征在于，步骤Sa2中，构建的全连接层中神经元的个数等于最终要求输出的哈希码比特数。

5.根据权利要求1所述的有监督深度哈希快速图片检索方法，其特征在于，所述S1中，所述对该训练样本进行缩放与裁剪，是指：

将三元组训练样本(a,p,n)缩放至256像素×256像素，从中随机裁取227像素×227像素大小的部分。