[发明专利]一种基于深度哈希网络的大规模遥感影像检索方法和系统

权利要求书

1.一种基于深度哈希网络的大规模遥感影像检索方法，其特征在于，包括如下步骤：

步骤1，假设需要检索的影像数据库为{(I_i,y_i)|i＝1,2,…,N}，其中I_i表示影像，y_i表示影像对应的类别标签；计算给定影像数据库中的相似性矩阵Θ∈R^2×N×N，其中如果两幅影像的类别标签相同y_i＝y_j，反之，如果给定的类别标签不同y_i≠y_j，则

步骤2，从数据库挑选出一批影像，将每个影像输入深度神经网络提取图像的特征其中d_i∈R^d为图像I_i经过深度神经网络所提取的特征，Λ为深度特征学习网络参数；

步骤3，将深度特征d_i输入哈希学习神经网络，将原始高维度特征映射为低维特征其中f_i∈R^l为哈希学习神经网络输出特征，W∈R^d×l与v∈R^l为哈希学习神经网络的参数；

步骤4，根据将步骤3中的低维特征映射为二进制码形式，其中sign(·)符号函数，输出正数为+1，否则为-1；

步骤5，根据损失函数，利用后向传播更新全部网络参数{Λ,W,v}；

步骤6，重复步骤2-5直到达到迭代次数；

步骤7，在测试阶段，直接通过训练好的深度-哈希神经网络计算出整个数据库的哈希编码，对于一个新的测试影像，计算哈希编码，与数据库中的影像特征进行检索。

2.如权利要求1所述的一种基于深度哈希网络的大规模遥感影像检索方法，其特征在于：步骤2中所采用的深度神经网络为深度卷积神经网络，具体包括依次连接的五个卷积层与2个全连接层。

3.如权利要求1所述的一种基于深度哈希网络的大规模遥感影像检索方法，其特征在于：步骤5中的损失函数采用交叉熵函数与L2约束项定义为：

其中s为相似因子，l为最终得到的哈希编码长度，η为正则化系数；

整个梯度下降公式表示为：

其中，σ(x)＝1/(1+e^-x)为Sigmoid函数，l为哈希码长度，m＝1:l；根据上式的结果，公式1中的关于{Λ,W,v}的损失函数偏导数可以表示为由公式(3)-(5)计算，

4.如权利要求1所述的一种基于深度哈希网络的大规模遥感影像检索方法，其特征在于：步骤6中的迭代次数为20000。