[发明专利]一种基于深度学习与低秩矩阵优化的哈希图像检索方法

权利要求书

1.一种基于深度学习与低秩矩阵优化的哈希图像检索方法，其特征在于，包括以下步骤：

S1、获取图像数据，对数据进行标注和预处理，构造图像检索的数据集，并将其分为训练集与测试集；

S2、搭建基于深度残差网络框架的深度特征提取网络，构建深度哈希网络主干；

S3、将训练集输入所述深度哈希网络主干，基于极大化概率似然的损失函数和低秩正则化的损失函数，构建哈希网络；

S4、对哈希网络进行训练；

S5、将所述测试集与训练集图像分别输入步骤S4所述训练好的哈希网络，生成二值哈希编码，计算相互的汉明距离；

S6、返回训练集中汉明距离最小的指定数量图片作为检索结果。

2.根据权利要求1所述的基于深度学习与低秩矩阵优化的哈希图像检索方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、通过网络爬虫收集与人类室内生活场景相关的图像数据，对图像数据进行人工筛选，去除其中不包括人类室内生活场景的图片，得到数据集其中x_i表示该数据集中的第i张图片，N为数据集中图像的总数量，i∈N；

S12、对数据集的图像进行类别标注，标注内容包括图像数据的场景或所含物体类别信息，得到其标签集为其中L_i＝{0，1}^C*1为图片x_i的标签，C为类别总数；

S13、对步骤S11所述数据集的图像进行预处理，具体是将数据集中的图像大小重置为H×W像素，并进行去均值以及像素值归一化操作，至此完成数据集的构建；

S14、对步骤S13所述数据集及S12所述标签集的图像，随机划分为训练集与测试集其中，N₁为训练集中图像的总量与N₂为测试集中图像的总量。

3.根据权利1要求的基于深度学习与低秩矩阵优化的哈希图像检索方法，其特征在于，步骤S2所述的深度残差网络(ResNet-50)框架的深度特征提取网络如下：

Input_images(H*W)->Conv(k_7*7，c_64，s_2)->Max_Pool(k_3*3，s_2)->Conv_1->Conv_2->Conv_3->Conv_4->Average_Pool->Flatten()->Fully_Connected(2048->1000)->soft max()

其中，Input_images(H*W)表示输入高为H，宽为W像素的图像，Conv(k_7*7，c_64，s_2)指的是卷积核大小k为7x7，输出通道数c为64，步长s为2；Max_Pool(k_3*3，s_2)指的是大小k为3x3，步长s为2的最大值池化操作；Average_Pool为平均值池化操作；Flatten()为降维操作；Fully_Connected(2048->1000)指的是输入为2048维度，输出为1000维度的全连接操作；softmax()为逐元素的归一化指数函数，Conv_1～Conv_4分别为一系列卷积操作的集合，其中

Conv_1:[Conv(k_1*1，c_64)，Conv(k_3*3，c_64)，Conv(k_1*1，c_256)]*3，Conv_2:[Conv(k_1x1，c_128)，Conv(k_3*3，c_128)，Conv(k_1*1，c_512)]*4，Conv_3:[Conv(k_1*1，c_256)，Conv(k_3*3，c_256)，Conv(k_1*1，c_1024)]*6，Conv_4:[Conv(k_1*1，c_512)，Conv(k_3*3，c_512)，Conv(k_1*1，c_2048)]*3，其中，Conv_1：

[Conv(k_1*1，c_64)，Conv(k_3*3，c_64)，Conv(k_1*1，c_256)]*3表示集合1包含3个卷积核串联，Conv_2：[Conv(k_1x1，c_128)，Conv(k_3*3，c_128)，Conv(k_1*1，c_512)]*4表示集合2包含4个卷积核串联，Conv_3：

[Conv(k_1*1，c_256)，Conv(k_3*3，c_256)，Conv(k_1*1，c_1024)]*6表示集合3包含6个卷积核串联，Conv_4：[Conv(k_1*1，c_512)，Conv(k_3*3，c_512)，Conv(k_1*1，c_2048)]*3表示集合4包含3个卷积核串联。