[发明专利]一种基于施密特正交化约束的细粒度检索方法在审
| 申请号： | 201910630124.0 | 申请日： | 2019-07-12 |
| 公开（公告）号： | CN110334236A | 公开（公告）日： | 2019-10-15 |
| 发明（设计）人： | 纪荣嵘;郑侠武 | 申请（专利权）人： | 厦门大学 |
| 主分类号： | G06F16/583 | 分类号： | G06F16/583;G06N3/08 |
| 代理公司： | 厦门南强之路专利事务所(普通合伙) 35200 | 代理人： | 马应森 |
| 地址： | 361005 *** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 细粒度 检索 样本集 正交化 排序 神经网络 损失函数 物体定位 集合 标签 图像定位信息 图像 参数更新 融合中心 训练集合 中心点 监督 求导 画像 测试 融合 引入 学习 | ||
【权利要求书】：
1.一种基于施密特正交化约束的细粒度检索方法，其特征在于包括如下步骤：
1)给定标好的细粒度图像-标签对集合，将图像-标签对集合划分为训练照片样本集、训练画像样本集和测试照片样本集；
2)利用训练集合来训练一个神经网络，具体方法为：
定义标签相同的图像为相似图像，反之，不同的图像为不相似图像；首先将具体的图像输入到神经网络中去，神经网络输出特征xi，利用下标来区分具体的样本，对于一个批次，利用如下公式来计算损失：
其中，xi为图像输入神经网络之后的特征，wi为每一个类别的中心，|Ω|为类别的数量，λ和α为调节的超参数，在一个批次中，得到图像特征之后，利用全局的中心点，同时对特征以及中心进行更新，并且限制特征的L2范数；
3)当步骤2)计算好损失函数之后，直接将结果输入到类似于PyTorch等自动求导的深度学习框架中，对神经网络进行参数更新；
4)利用施密特正交化，对中心点进行去相关化，具体公式为：
其中为自动求导得到的导数，wi和wj为对应的列向量。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于厦门大学，未经厦门大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910630124.0/1.html，转载请声明来源钻瓜专利网。
