[发明专利]基于多任务深度哈希学习的大规模物流商品图像检索方法

权利要求书

1.一种基于多任务深度哈希学习的大规模物流商品图像检索方法，其特征在于，包括如下步骤：

a)对输入的物流商品图像x_i进行图像预处理，根据图像x_i的标签构建物流商品图像之间的相似度矩阵S；

b)将预处理后的物流商品图像经过卷积、池化处理后得到图像的一维特征向量h_img，将一维特征向量h_img作为图像低级特征；

c)将图像低级特征h_img输入多分支的网络中得到多个长度哈希码表示的图像的高级表征B_k，多分支网络由N个相同结构的分支组成；

d)通过公式计算相似度损失函数SI_Loss，s_ij为第i张图像与第j张图像之间的相似度，s_ij∈{1,0}，s_ij取值为1时表示第i张图像与第j张图像相似，s_ij取值为0时表示第i张图像与第j张图像不相似，b_i为第i张图像数据的二值哈希码，b_j为第j张图像数据的二值哈希码，T为转置；

e)通过公式计算互信息损失函数MI_Loss，式中B_k为第k个分支输出的哈希码，k∈0,...,N-1，B_k+1为第k+1个分支输出的哈希码，W_k为将第k个分支输出的哈希码映射到第k+1个分支输出的哈希码的映射矩阵，γ_k为正则化参数，||·||₁为L1范数，a_k为优化参数；

f)利用随机梯度下降算法对相似度损失函数SI_Loss和互信息损失函数MI_Loss进行优化，优化后重复执行步骤a)至步骤e)大于等于M次，得到训练后的模型；

g)将数据库中的图像数据输入到步骤f)中训练后的模型中，得到每张图像的不同长度的二值哈希码表示组合B_database；

h)将需要检索的图片img_query输入到步骤f)中训练后的模型中，得到需要检索图片img_query的二值哈希码表示组合B_query；

i)通过公式计算汉明距离Dist_Hamming，将计算得到的汉明距离Dist_Hamming基于Average Precision的度量方式返回所有检索图片查询集的平均检索精度Mean Average Precision，完成相似性检索。

2.根据权利要求1所述的基于多任务深度哈希学习的大规模物流商品图像检索方法，其特征在于：步骤b)中有5个卷积层，每个卷积层后接入一个池化层，所述卷积层采用3*3大小的卷积核，所述池化层采用2*2大小的池化核，所述卷积层和池化层均采用Relu激活函数。

3.根据权利要求1所述的基于多任务深度哈希学习的大规模物流商品图像检索方法，其特征在于：步骤c)中多分支网络由N个相同结构的分支组成，每个分支内部由3层全连接层相互串联构成。

4.根据权利要求1所述的基于多任务深度哈希学习的大规模物流商品图像检索方法，其特征在于：步骤c)中N取值为大于0的正整数。

5.根据权利要求1所述的基于多任务深度哈希学习的大规模物流商品图像检索方法，其特征在于：步骤f)中M取值为5000。