[发明专利]深度对抗度量学习方法及装置

权利要求书

1.一种深度对抗度量学习方法，其特征在于，包括以下步骤：

从训练集中提取出图像的深度特征并生成三元组；

根据所述三元组中的负样本通过生成器将所述三元组中的负样本转化为对度量训练有信息的难样本；以及

获取所述难样本在度量空间下的表示，并同时训练整个网络，以得到图片在度量空间下的表示；

其中，损失函数为：

其中，J_gen为对抗生成器总损失函数，J_hard为难样本约束，λ₁和λ₂均为平衡各约束权重参数，J_adv为对抗约束，x_i为输入样本，θ_g为生成器网络参数，D为两样本距离，α为正负样本距离间距。

2.根据权利要求1所述的深度对抗度量学习方法，其特征在于，所述从训练集中提取出图像的深度特征并组成样本对或三元组，进一步包括：

将所述训练集传入深度卷积神经网络，并在通过特征提取网络的最后全连接层后得到图像的1024维的深度特征，并且按照样本标签根据度量使用的目标函数组织得到所述样本对或三元组。

3.根据权利要求2所述的深度对抗度量学习方法，其特征在于，所述获取所述难样本在度量空间下的表示，并同时训练整个网络，以得到图片在度量空间下的表示，进一步包括：

将生成后的样本通过度量网络得到所述在度量空间下的表示；

将所述特征提取网络、生成器网络与所述度量网络连接在一起，使得整个网络的优化目标为所述生成器的优化函数与所述度量网络的优化函数的组合；

在训练好所述整个网络后，由样本图片通过所述特征提取网络与所述度量网络得到测试样本的在度量空间下的表示。

4.根据权利要求3所述的深度对抗度量学习方法，其特征在于，所述生成器的优化函数与所述度量网络的优化函数的组合为

其中，θ_f为度量学习参数，J为总损失函数，J_m为度量学习损失函数，λ为平衡各约束权重参数。

5.一种深度对抗度量学习装置，其特征在于，包括：

提取模块，用于从训练集中提取出图像的深度特征并生成三元组；

转化模块，用于根据所述三元组中的负样本通过生成器将所述三元组中的负样本转化为对度量训练有信息的难样本；以及

获取模块，用于获取所述难样本在度量空间下的表示，并同时训练整个网络，以得到图片在度量空间下的表示；

其中，损失函数为：

其中，J_gen为对抗生成器总损失函数，J_hard为难样本约束，λ₁和λ₂均为平衡各约束权重参数，J_adv为对抗约束，x_i为输入样本，θ_g为生成器网络参数，D为两样本距离，α为正负样本距离间距。

6.根据权利要求5所述的深度对抗度量学习装置，其特征在于，所述提取模块，进一步包括：

提取单元，用于将所述训练集传入深度卷积神经网络，并在通过特征提取网络的最后全连接层后得到图像的1024维的深度特征，并且按照样本标签根据度量使用的目标函数组织得到所述样本对或三元组。

7.根据权利要求6所述的深度对抗度量学习装置，其特征在于，所述获取模块，进一步包括：

第一获取单元，用于将生成后的样本通过度量网络得到所述在度量空间下的表示；

组合单元，用于将所述特征提取网络、生成器网络与所述度量网络连接在一起，使得整个网络的优化目标为所述生成器的优化函数与所述度量网络的优化函数的组合；

第二获取单元，用于在训练好所述整个网络后，由样本图片通过所述特征提取网络与所述度量网络得到测试样本的在度量空间下的表示。

8.根据权利要求7所述的深度对抗度量学习装置，其特征在于，所述生成器的优化函数与所述度量网络的优化函数的组合为

其中，θ_f为度量学习参数，J为总损失函数，J_m为度量学习损失函数，λ为平衡各约束权重参数。