[发明专利]一种图像检索方法、系统、设备以及介质

说明书

本发明公开了一种图像检索方法，包括：构建图像训练集以及权值共享的孪生网络；计算图像训练集中的图像两两之间的相关性；将图像训练集的不同的图像分别输入到孪生网络中以得到第一编码向量和第二编码向量；根据第一编码向量、第二编码向量和当前分别输入到孪生网络的两个图像之间的相关性计算损失函数，以根据损失函数训练孪生网路并与预设要求对比；响应于经过若干次训练的孪生网络的满足预设要求，利用训练完成的孪生网络中的单个网络结构进行图像检索。本发明还公开了一种系统、计算机设备以及可读存储介质。本发明提出的方案能够实现图像对之间的相关性被快速准确地计算，进而使得整个网络结构在借助图像对相关性的基础上被正确有效地训练。

技术领域

本发明涉及图像检索领域，具体涉及一种图像检索方法、系统、设备以及存储介质。

背景技术

在多标签图像的深度哈希技术研究中存在一个关键问题，即如何使深度模型获取并利用多标签环境中的复杂图像相关性。在现有的尝试解决多标签图像检索的算法中，图像多标签信息常被简化，通过共有标签或共有标签数量等方式对多标签图像间的相似度进行量化，这种简化的相似度常制约图像检索算法的性能，且导致网络的损失函数在形式上较为复杂。

深度哈希的损失函数设计需要建立编码汉明距离与数据语义关联性间的映射关系，对数据语义关联性的量化，现有技术以排序列表、三元组、二元组技术为主。列表方法能够提供较为全面的数据相关性信息，但损失函数设计复杂、训练速度慢，不利于兼顾训练效率与检索性能；三元组方法对比数据的关联性差异，损失函数构造简单，但难以对数据关联性进行准确量化，检索准确率受限；传统二元组技术能够以最简洁的方式构建语义关联性与汉明距离的联系，但对语义关联性的建模较为粗糙，在多标签、多实体场景下无法准确描述不同数据间语义关联性的强弱，制约了检索准确率提升。

发明内容

有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提出一种图像检索方法，包括以下步骤：

构建图像训练集以及权值共享的孪生网络；

计算所述图像训练集中的图像两两之间的相关性；

将所述图像训练集的不同的图像分别输入到所述孪生网络中以得到第一编码向量和第二编码向量；

根据所述第一编码向量、所述第二编码向量和当前分别输入到所述孪生网络的两个图像之间的相关性计算损失函数，以根据所述损失函数训练所述孪生网路并与预设要求对比；

响应于经过若干次训练的所述孪生网络的满足预设要求，利用训练完成的所述孪生网络中的单个网络结构进行图像检索。

在一些实施例中，计算所述图像训练集中图像两两之间的相关性，进一步包括通过下式计算所述图像两两之间的相关性s：

l_dot＝l₁·l₂

其中，A表示两个图像所有共有的标签的集合，i和j分别是集合A中不同的标签；B表示两个图像除去共有的标签外的互斥标签的集合，m和n分别是集合B中不同的标签；l₁为其中一个图像的所有的标签组成的向量；l₂为另一个图像的所有的标签组成的向量；w_dot和w_xor分别表示共有标签和互斥标签的权重信息，取值范围为[0，1]；a_i,j或a_m,n是图像训练集中同时包含标签i和j的图像的数量或同时包含标签m和n的图像的数量；a_j或a_n是图像训练集中包含标签j的数量或包含标签n数量。