[发明专利]从图像中提取哈希码的方法、装置及图像检索方法、装置

说明书

本发明公开了一种从图像中提取哈希码的方法、装置及图像检索方法、装置，该方法包括：构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；对解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型；对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。该方法可以有效降低编码空间信息冗余，有效利用所有维度，高精度地提取图像哈希码。

技术领域

本发明涉及人工智能技术领域，具体涉及一种从图像中提取哈希码的方法、装置及图像检索方法、装置，以及电子设备和计算机可读存储介质。

背景技术

LTH(learning to hash)是一种图像压缩方法，在图像检索应用中非常有效，该框架从图像中提取二进制哈希码，计算输入图像与图像库中图像哈希码的相似度，进行检索。LTH框架可大大降低存储空间，并提升检索效率。

在LTH中图像的哈希码提取非常关键，一般采用编码器来实现。自编码器是一种无监督神经网络方法，由编码器和解码器组成，可根据随机编码生成图像。VAE(VariationalAutoencoder，变分自动编码器)是对随机编码进行标准正态分布约束，进而生成图像。LTH框架中应用最广泛的哈希码提取方法SGH(Stochastic Generative Hashing，随机哈希生成)便是基于VAE框架的一种应用。

VAE框架的变分裁剪(Variational Pruning)会导致模型训练初期有些隐层单元还未被有效提取时就会出现崩塌(collapse)，从而使框架存在明显的先天不足，例如，(1)编码空间存在很多冗余维度(即无信息的冗余数据)；(2)框架对编码空间的隐码(latentcode)利用不足；等。尤其当解码器结构复杂时，这些不足更为明显。这会导致：对无法准确提取图像哈希码，导致图像检索准确率下降以及其他相关应用的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的从图像中提取哈希码的方法、装置及图像检索方法、装置。依据本发明的一个方面，提供了一种从图像中提取哈希码的方法，该方法包括：

构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；

对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型；

对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；

利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。

可选地，

所述构建哈希码提取模型包括：构建变分自编码器VAE模型或随机哈希生成SGH模型，其目标函数如式(1)所示；

其中，D_KL为KL散度；X为输入数据，Z为解码器输出的图像哈希码，θ是由解码器DNN模型得到的用于表示似然的参数；

对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型包括：

在(1)所示的目标函数中增加一项约束项得到式(2)所示的目标函数；