[发明专利]一种基于集成学习的零样本哈希检索方法

权利要求书

1.一种基于集成学习的零样本哈希检索方法，其特征在于，包括以下步骤：

S1：将训练集按照类别标签分为类别不重叠的两部分A和B；

S2：分别用A、B和A+B作为训练数据，通过VGG-16模型和一层全连接层，得到训练样本的哈希码；

S3：利用三元组损失，得到训练过程中的损失；

S4：利用SWA方法训练更新网络，得到收敛后的模型；

S5：步骤S2中的3个数据集训练可以得到3个不同的模型，求它们求平均值，得到最终的集成模型；

S6：计算集成模型在测试集上的检索结果。

2.根据权利要求1所述的基于集成学习的零样本哈希检索方法，其特征在于，所述步骤S1的具体过程是：

将训练集按照类别标签分为类别不重叠的两部分A和B，对于数据集cifar10来说，把1～9类划分为训练集，第10类划分为测试集；在训练的过程中，把训练集按照类别划分为A(第1～5类)和B(第6～9类)两部分。

3.根据权利要求2所述的基于集成学习的零样本哈希检索方法，其特征在于，所述步骤S2的哈希模型的设计是：

S21：首先，分别将数据集A、B和A+B分别作为训练集，训练出3个不同的模型；

S22：使用VGG-16模型提取训练集中的图像样本的高维实数特征；

S23：将S22步骤得到的高维实数特征输入到全连接层和tanh激活函数后，得到实数向量v，再对v进行二值化，若大于0的元素设置为1，小于0的元素设置为0，得到二进制码b，即哈希码，量化公式如下：

4.根据权利要求3所述的基于集成学习的零样本哈希检索方法，其特征在于，所述步骤S3的三元组损失具体步骤是：

S31：在每个batch的训练样本中，构造三元组I,I_pos,I_neg，其中，原点I是在训练样本中随机选取的一个样本，同类样本点I_pos是和I同一类别的样本，而异类样本点I_neg是和I不同类别的样本；

S32：三元组损失计算公式如下：

其中超参数margin，表示I和负样本I_neg的距离与I和正样本I_pos的距离的差最小值；用欧式距离表示两个样本实数特征之间的距离。

5.根据权利要求4所述的基于集成学习的零样本哈希检索方法，其特征在于，所述步骤S4中SWA的训练过程是：

S41：先用VGG-16的预训练模型参数初始化特征提取模型，然后随机初始化最后一层全连接层(用于获得哈希码的全连接层)，得到初始化后的权重和w_swa；

S42：迭代n轮，训练模型；

S43：对于第i轮迭代，依次更新学习率和模型权重，更新公式如下：

循环学习率：

更新网络权重：

S44：对于第i轮迭代，若mod(i,c)＝0，其中，c是一个预设的超参数，表示循环长度，用滑动平均的方式更新最终的网络权重w_swa，公式如下：

n_models＝i/c

6.根据权利要求5所述的基于集成学习的零样本哈希检索方法，其特征在于，步骤S5中，得到集成模型的过程为：

用训练集A、B和A+B分别训练模型，得到三个不同的模型权重w₁、w₂和w₃，用取平均值的方法，得到最终的集成模型权重：