[发明专利]一种基于最难正负样本的图像检索方法

说明书

本发明公开了一种基于最难正负样本的图像检索方法，先获取样本集，通过多组样本训练卷积神经网络BN‑Inception，在训练过程中，通过BN‑Inception提取样本的编码特征，然后根据编码特征选取最难正样本和最难负样本，再通过不同的加权方式为最难正样本和最难负样本分配权重并计算损失值，直至BN‑Inception收敛，最后完成待测样本的实时检索。

技术领域

本发明属于图像检索技术领域，更为具体地讲，涉及一种基于最难正负样本的图像检索方法。

背景技术

对于细粒度图像检索，卷积神经网络提取的图像特征被投影到一个嵌入空间，在这个嵌入空间中，语义相似的数据(例如，相同类别的图像)被紧密地分组在一起。图像检索需要学习一个嵌入空间，其质量主要取决于用于训练网络的损失函数。因此，深度度量学习的损失函数起着非常重要的作用。本专利主要研究的领域是图像检索。在嵌入空间中，投影特征之间的相似性是通过样本间的距离来度量，经过学习的嵌入空间应使得正样本彼此接近，负样本尽可能远离。

现有的图像检索方法采用手工设计的加权损失函数来训练网络，具体而言，首先采用特定的采样策略来从batch内选择信息对，之后通过手工设计的权重函数为正对和负对赋予合适的权重值。主要采用两种策略来学习好的嵌入空间，一种是设计新颖的采样策略。由于在一个batch内有很多冗余的样本对，这些样本对本身包含的信息量较少，在模型训练时不能提供有效的梯度，使得模型收敛速度较慢且精度较差。而采样策略则可以从冗余的样本对中筛选出富含信息的样本对，从而加速模型的训练。另一种是设计高级的样本加权方案。不同的样本对其包含的信息量不同，有学者则设计新型的加权策略来区分这些样本对。

三元组损失(Triplet Loss)选择距离正对阈值范围内的负对形成三元组，不考虑权重。N-pair损失选择几个不同类别的负对，并使用Log-Sum-Exp函数来分配权重。排名列表损失(Ranked List Loss)设置一个过滤负对的阈值，再从阈值处划一个选择区域，只选择区域内的正负对，且只对负样本进行加权。现有方法在采样策略上典型的方法是通过阈值等进行采样，在加权策略上典型的方法是只对负对加权或者对正负对采用相同的加权函数，实际上忽略了正样本和负样本本身的特征。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于最难正负样本的图像检索方法，通过最难样本差异损失对特征提取网络进行训练，这样充分考虑了正样本和负样本的不同性质，使同一类样本彼此靠近，而不同类样本彼此远离，从而使网络能够精准的提取特征，进而实现图像检索。

为实现上述发明目的，本发明一种基于最难正负样本的图像检索方法，其特征在于，包括以下步骤：

(1)、获取样本集

从图像数据库中下载N个类别的多张图像，其中每个类别下载M张，将N×M张图像组成样本集；

(2)、训练卷积神经网络BN-Inception；

(2.1)、利用卷积神经网络BN-Inception提取图像的特征；

从样本集随机选取n个类别，每个类别中再随机选取m张图像作为BN-Inception的输入，利用在ImageNet上预训练的BN-Inception提取每张图像的编码特征，其中，第i张图像的编码特征记为x_i，对应的类别记为y_k，i＝1,2,…,n×m，k＝1,2,…,n；

(2.2)、选取最难正样本和最难负样本；

(2.2.1)、选取最难正样本；