[发明专利]一种基于难样本挖掘的图像检索方法及系统

权利要求书

1.一种基于难样本挖掘的图像检索方法，其特征在于，包括：

构建初始深度学习网络，所述深度学习网络包括初始主干网络、初始嵌入层和初始分类层；

基于AM-Softmax损失函数对所述深度学习网络进行训练，得到训练深度学习网络，所述训练深度学习网络包括训练主干网络、训练嵌入层和训练分类层；

基于所述训练分类层的参数，对所述训练嵌入层进行训练，得到收敛嵌入层，基于所述训练主干网络、所述收敛嵌入层和所述训练分类层构建收敛深度学习网络；

基于所述收敛深度学习网络，得到待挖掘图像集中每个图像的特征向量，进一步得到每个图像的相似度。

2.根据权利要求1所述的基于难样本挖掘的图像检索方法，其特征在于，所述基于AM-Softmax损失函数对所述深度学习网络进行训练，得到训练深度学习网络，所述训练深度学习网络包括训练主干网络、训练嵌入层和训练分类层，包括：

基于所述AM-Softmax损失函数获取当前迭代下所述初始深度学习网络的第一损失值；

对所述第一损失值进行判断，若所述第一损失值小于第一损失设定值，则结束训练，得到所述训练深度学习网络；若所述第一损失值大于或等于所述第一损失设定值，则继续进行迭代优化，直至所述第一损失值小于所述第一损失设定值；所述训练深度学习网络包括所述训练主干网络、所述训练嵌入层和所述训练分类层。

3.根据权利要求1所述的基于难样本挖掘的图像检索方法，其特征在于，所述基于所述训练分类层的参数，对所述训练嵌入层进行训练，得到收敛嵌入层，基于所述训练主干网络、所述收敛嵌入层和所述训练分类层构建收敛深度学习网络，包括：

基于所述训练分类层的参数，得到两个训练样本的困难值；

计算两个训练样本之间的余弦相似度，基于所述困难值和所述余弦相似度，构建加权对比损失函数；

基于所述加权对比损失函数获取当前迭代下所述训练嵌入层的第二损失值；

对所述第二损失值进行判断，若所述第二损失值小于第二损失设定值，则结束训练，得到所述收敛嵌入层；若所述第二损失值大于或等于所述第二损失设定值，则继续进行迭代优化，直至所述第二损失值小于所述第二损失设定值；

基于所述训练主干网络、所述收敛嵌入层和所述训练分类层构建所述收敛深度学习网络。

4.根据权利要求1所述的基于难样本挖掘的图像检索方法，其特征在于，所述基于所述收敛深度学习网络，得到待挖掘图像集中每个图像的特征向量，进一步得到每个图像的相似度，包括：

将所述待挖掘图像集输入所述收敛深度学习网络，得到所述待挖掘图像集中每个图像的特征向量；将需求图像输入所述收敛深度学习网络，得到所述需求图像的特征向量；

基于每个图像的特征向量和所述需求图像的特征向量，得到所述需求图像与所述待挖掘图像集中每个图像的相似度。

5.一种基于难样本挖掘的图像检索系统，其特征在于，包括：

构建模块，构建初始深度学习网络，所述深度学习网络包括初始主干网络、初始嵌入层和初始分类层；

第一训练模块，基于AM-Softmax损失函数对所述深度学习网络进行训练，得到训练深度学习网络，所述训练深度学习网络包括训练主干网络、训练嵌入层和训练分类层；

第二训练模块，基于所述训练分类层的参数，对所述训练嵌入层进行训练，得到收敛嵌入层，基于所述训练主干网络、所述收敛嵌入层和所述训练分类层构建收敛深度学习网络；

相似度模块，基于所述收敛深度学习网络，得到待挖掘图像集中每个图像的特征向量，进一步得到每个图像的相似度。

6.根据权利要求5所述的基于难样本挖掘的图像检索系统，其特征在于，所述第一训练模块包括：

第一损失单元，基于所述AM-Softmax损失函数获取当前迭代下所述初始深度学习网络的第一损失值；

第一判断单元，对所述第一损失值进行判断，若所述第一损失值小于第一损失设定值，则结束训练，得到所述训练深度学习网络；若所述第一损失值大于或等于所述第一损失设定值，则继续进行迭代优化，直至所述第一损失值小于所述第一损失设定值；所述训练深度学习网络包括所述训练主干网络、所述训练嵌入层和所述训练分类层。