[发明专利]基于深度特征一致哈希算法的图像检索方法

权利要求书

1.一种基于深度特征一致哈希算法的图像检索方法，其特征在于，该方法包括以下步骤：

S1：获取多标签或者单标签图像数据，包括训练集和测试集；

S2：预处理训练集；

S3：利用S2预处理后的训练集，对神经网络进行优化；

S4：将训练集输入到S3优化后的神经网络中得到哈希码；

S5：计算S4得到的哈希码与所述测试集得到哈希码的汉明距离，并按从小到大的距离排序，输出前k个检索结果，k取值为正整数，完成检索；

所述S3中的神经网络优化具体包括：

S3-1：根据训练集得到改进的语义相似度矩阵；

S3-2：将预处理后的训练集输入到神经网络中；

S3-3：并根据S3-1得到的语义相似度矩阵设置目标函数对神经网络进行训练和优化，所述S3-3具体为：传统的语义相似度矩阵的值只有1和0，给定所有图像的哈希码B={b₁,b₂,…b_n}和语义相似度矩阵s=s_ij，条件概率p（s_ij | B）表示为：

（2）

其中，是激活函数；内积表示汉明距离，，使用负对数似然作为损失函数：

（3）

使用公式（3）来计算具有强相似性的图像的损失；对于弱相似的图像，使用以下公式计算损失：

（4）

其中，b_i,b_j为图像的哈希码，b_i,b_j的范围为[-q,q]，结合式（3）和式（4），用W_ij来标记这两种情况，即W_ij=1表示这两幅图片是强相似的，W_ij=0表示这两幅图片是弱相似的；因此，目标函数可以写为：

（5）

其中，γ是一个权重参数；

设定目标函数以减少损失，并鼓励网络输入准确的二进位码：

（6）

其中||·||₁是向量的L1范数，|·|是绝对值运算，u_i、u_j为松弛的近似哈希码；

使用余弦距离来衡量配对特征的损失：

（7）

其中f_i、f_j为神经网络fc7层的输出特征向量；将式（7）与式（5）结合，得到如下目标函数：

（8）

结合数量损失和语义损失，最终目标函数如下：

（9）

其中，λ是控制量化损失的参数，u_i、u_j为松弛的近似哈希码，f_i、f_j为神经网络fc7层的输出特征向量，S为语义相似度矩阵，s_ij为矩阵S中第i行第j列的元素，b_i,b_j为图像的哈希码，b_i,b_j的范围为[-q,q]， ，W_ij用来标记强相似或弱相似，W_ij=1表示这两幅图片是强相似的，W_ij=0表示这两幅图片是弱相似的。

2.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，该方法还包括评估步骤S6：根据S5所得到的前k个检索结果的标签和测试集的标签，计算mAP，完成评估。

3.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述S2中：所述预处理包括进行旋转、翻转和添加噪声操作中的一种或者几种。