[发明专利]一种基于施密特正交化约束的细粒度检索方法

摘要

一种基于施密特正交化约束的细粒度检索方法，涉及中心排序损失和弱监督物体定位的融合。1)给定标好的细粒度图像‑标签对集合，将图像‑标签对集合划分为训练照片样本集、训练画像样本集和测试照片样本集；2)利用训练集合来训练一个神经网络；3)当步骤2)计算好损失函数之后，可直接将结果输入到类似于PyTorch等自动求导的深度学习框架中，对神经网络进行参数更新；4)利用施密特正交化，对中心点进行去相关化。引入中心排序损失函数的思想，解决细粒度检索难以训练的问题；利用弱监督定位获得物体框架，进行高效而准确的细粒度物体检索。融合中心排序损失及弱监督物体定位框架，提高细粒度检索的精度，获得更好的图像定位信息。

主权项

1.一种基于施密特正交化约束的细粒度检索方法，其特征在于包括如下步骤：1)给定标好的细粒度图像‑标签对集合，将图像‑标签对集合划分为训练照片样本集、训练画像样本集和测试照片样本集；2)利用训练集合来训练一个神经网络，具体方法为：定义标签相同的图像为相似图像，反之，不同的图像为不相似图像；首先将具体的图像输入到神经网络中去，神经网络输出特征x_i，利用下标来区分具体的样本，对于一个批次，利用如下公式来计算损失：其中，x_i为图像输入神经网络之后的特征，w_i为每一个类别的中心，|Ω|为类别的数量，λ和α为调节的超参数，在一个批次中，得到图像特征之后，利用全局的中心点，同时对特征以及中心进行更新，并且限制特征的L2范数；3)当步骤2)计算好损失函数之后，直接将结果输入到类似于PyTorch等自动求导的深度学习框架中，对神经网络进行参数更新；4)利用施密特正交化，对中心点进行去相关化，具体公式为：其中为自动求导得到的导数，w_i和w_j为对应的列向量。