[发明专利]基于深度度量学习的目标精确检索方法

摘要

本发明公开一种基于深度度量学习的目标精确检索方法，方法包括：深度神经网络结构的迭代训练中，对提取的同类目标对象的多张图片的特征进行处理过程中，使得相同类别的目标对象相互靠近，不同类别的目标对象相互远离，具有不同类别标签的目标对象的特征距离大于预设距离，且属于同一类别的个体的特征分布中，具有相似属性的类内个体之间距离相互靠近，具有不同属性的类内个体之间大于预设距离，以获得训练后的深度神经网络模型；采用训练后的深度神经网络模型对待查询图片与预设的参考图片分别提取各自的特征，并获取查询图片与参考图片之间特征的欧式距离，对该距离进行从小到大的排序，获得精确检索的目标。本实施例的方法解决了垂直领域的精确检索问题。

主权项

1.一种基于深度度量学习的目标精确检索方法，其特征在于，包括：深度神经网络的迭代训练中，对提取的同类目标对象的多张图片的特征进行处理过程中，使得相同类别的目标对象的特征距离减小，不同类别的目标对象的特征距离增加，具有不同类别标签的目标对象大于预设距离，且属于同一类别的个体的特征分布中，具有相似属性的类内个体之间的特征距离减小，具有不同属性的类内个体之间的特征距离大于预设距离，以获得训练后的深度神经网络模型；采用训练后的深度神经网络模型对待查询图片与预设的参考图片分别提取各自的特征，并获取查询图片与参考图片之间特征的欧式距离，对该距离进行从小到大的排序，获得精确检索的目标；所述深度神经网络结构为根据选择对象的属性信息能够区分不同对象类别的网络结构；和/或，迭代训练之前的深度神经网络结构为通用的深度卷积神经网络结构；深度神经网络模型的迭代训练中，还用于执行前向传播计算损失，并通过反向传播算法回传网络中每一层输出对应的误差，进一步调整深度神经网络结构中的权重值，使得训练中的深度神经网络模型损失能收敛；所述深度卷积神经网络的最后一层全连接的输出有两个分支，一个分支连接Softmax归一化指数损失函数，另一分支连接融入类内多样性的均值三元组损失函数；迭代训练中执行前向传播计算的损失为：Softmax损失函数和均值三元组损失函数根据各自的权重值确定的损失；在深度卷积神经网络迭代训练过程中，融入类内多样性的均值三元组损失函数的损失确定方式如下：采用Kmeans聚类算法对类内的所有特征点进行聚类，得到类内的若干分组；将一个类别中所有样本均值作为该类内均值点；以及根据聚类得到的类内若干分组，在一个类内计算组内均值，作为组内均值点；根据所有样本的类别标签和每一类内的组别标识，获取所有正样本、负样本分别到类内均值点和各自分组后的组内均值点的距离，并计算融入类内多样性的均值三元组损失函数；根据所有样本的类别标签和每一类内的组别标识，获取所有正样本、负样本分别到类内均值点和各自分组后的组内均值点的距离，并计算融入类内多样性的均值三元组损失函数，包括：根据公式一获取融入类内多样性的三元组损失函数的损失值；公式一：其中，c^p代表类别c中所有样本的均值中心，c^p,g代表类别c的组g中所有样本的均值中心；每一个类别c有一个类中心c^p和G个组中心c^p,g；f(x)是提取的图像的特征，G是组数，代表聚类族的数目，N^p,g是在组S_c,g内的样本数量；N^p表示类别c中的样本数量；代表两个取自不同组的同类样本；对于类间关系，是正样本，是负样本；α₁是类中心与不同类别样本距离的间隔，α₂是类内组中心与不同组别样本距离的间隔；反向传播的偏导数：正样本对损失的偏导数为：负样本对损失的的偏导数为：