[发明专利]大规模细粒度图像检索中的属性感知哈希编码学习方法

权利要求书

1.一种大规模细粒度图像检索中的属性感知哈希编码学习方法，包括以下步骤：

步骤1，通过卷积神经网络提取图像中的全局特征与局部特征信息；具体为：

通过在卷积神经网络中引入注意力机制，来获取图像的全局与局部特征以表达每一幅图像的显著特征；

首先通过卷积神经网络提取输入图像的深度特征：

其中代表一个定制的卷积神经网络，C、H与W分别代表深度特征的通道数、特征长度及特征宽度；在公式（1）中得到的深度特征的基础上，引入C个局部注意力引导模块，记这些引导模块为，再引入一个全局注意力引导模块，记为，图像局部特征输出为：

图像的全局特征输出为：

通过对这些特征输出进行全局平均池化后得到图像的全局特征向量与局部深度特征向量，依次拼接后得到图像的整体特征向量记作；

步骤2，构建哈希学习模块，将高维度的图像特征信息提取到低维度的哈希空间并构建哈希特征解码器，通过无监督的方式引导哈希学习过程中的属性特征提取方式，即引导哈希学习保留整体图像特征信息，使得每一维哈希空间中的信息特征进行重组后能够表达原图像中蕴含的信息；具体为：

构建哈希学习模块，通过一个变换矩阵将步骤1中得到的整体特征向量映射到k维的哈希空间中，记作；图像的二进制哈希编码由通过两次激活得到：

其中是k维的近似二进制编码，它是通过变换矩阵得到的图像特征表达向量，则是最终得到的图像的二进制编码，即通过k位的比特信息表达整张图像的信息；第一次激活tanh用以约束的数值空间并使梯度可进行反向传播，第二次激活则将特征向量约束为汉明编码；

在计算哈希损失时，假设有n个查询点以及m个数据库点，遵循公式（4），查询点与数据库点的哈希编码分别记为：

其中是通过查询点激活得到的哈希编码，是通过数据库点激活得到的哈希编码；则哈希编码的损失记为：

其中，；

特征解码器通过重构经过tanh激活后的哈希空间特征，将属性特征复原并约束特征损失，记作：

其中，，d表示每一个特征向量的维度；代表重构矩阵，为哈希变换矩阵的转置；为损失优化过程中引入的超参数，，；

步骤3，增强步骤2中哈希学习模块得到的每个维度属性的鉴别能力，通过构建属性自正交的方式，去除每个维度属性特征之间的冗余相关性，使得每个维度的属性特征都有自己独特且完整的表达含义，即每一个哈希维度均可表示一种深度的属性特征信息；具体为：

增强步骤2中哈希学习模块得到的每个维度属性的鉴别能力，对步骤2中经过哈希变换矩阵并经过tanh激活得到的特征向量集合构建自正交损失，记为：

其中为单位矩阵，这样能够消除每个维度空间学习到的属性特征的冗余相关性；

整体的约束损失记为：

（10）

其中与为引入的超参数，用于对齐量纲；

输入图像的二进制哈希编码输出记为：

式中GAP()代表全局平均池化，其作用是将特征图进行降维并形成一个特征点。

2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述大规模细粒度图像检索中的属性感知哈希编码学习方法的步骤。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述大规模细粒度图像检索中的属性感知哈希编码学习方法的步骤。