[发明专利]一种基于高阶深度哈希学习的图像检索方法

说明书

本发明涉及一种基于高阶深度哈希学习的图像检索方法。该发明方法包括：构造数据集，获取原始图像的特征和标签信息，并将其划分为训练集、测试集和检索图像集；利用基础特征子网络、高阶池化子网络、哈希子网络及损失子网络四个模块构建高阶深度哈希网络结构；基于损失函数，借助随机梯度下降法和反向传播算法训练模型，优化深度哈希网络；利用学习到的网络计算测试集与检索图像集的哈希码，根据汉明距离输出检索结果。本发明的网络模型融合基础特征、高阶特征和哈希编码，深入挖掘三者的内在联系，联合优化，保证学习到的哈希码具有更丰富的语义信息，借助交叉熵损失实现端对端训练，提升高阶哈希的图像检索性能。

技术领域

本发明涉及图像检索领域和深度学习领域，具体涉及一种基于高阶深度哈希学习的图像检索方法。

背景技术

哈希方法是将图像特征转换为二值编码，以哈希码作为图像的索引进行匹配，通过最近邻搜索，查询与其最相似的编码序列，将对应的图片作为检索结果输出。哈希方法具有查询效率高和易于存储等特点，可极大提高检索速度，且内存耗费低，被广泛应用到大规模图像检索中。

哈希方法一般分为数据依赖和数据独立两类，其中前者研究更为广泛，并可划分为无监督哈希和有监督哈希方法。无监督哈希方法在训练时仅利用图片的特征信息，忽略相应的标签信息，典型方法有迭代量化法和离散图哈希；有监督的哈希方法依赖标签进行哈希码训练，典型方法包括有监督的核哈希算法和最小损失哈希。近年来，随着深度学习的快速发展，深度哈希被有效提出，其结合深度卷积网络特征，克服传统手工特征弱化语义信息的弊端，极大提高哈希方法的精度，典型的深度哈希方法包括深度学习二值哈希码、深度有监督哈希和深度神经网络哈希等。

发明内容

针对现有技术的局限，本发明提出一种基于高阶深度哈希学习的图像检索方法，将基础深度特征通过协方差池化转化为高阶特征，借助该全局特征表示图像并获得哈希码，从而有效匹配图像。

本发明一种基于高阶深度哈希学习的图像检索方法，具体包括以下步骤：

步骤S1：构造包含图像数据及标签的图像数据集，并划分为训练集、测试集和检索图像集三部分，训练集用于模型训练，测试集和检索图像集用于模型测试；

步骤S2：构建高阶深度哈希网络的结构，包括基础特征子网络、高阶池化子网络、哈希子网络及损失子网络；

步骤S3：高阶深度哈希网络模型的端对端训练，包括模型特征前向传播和误差反向传播两个过程；

步骤S4：根据学习到的高阶深度哈希网络，计算测试集和检索图像集的深度高阶哈希码；

步骤S5：计算测试集与检索图像集哈希码之间的汉明距离，将最小汉明距离对应的图像作为检索结果输出，用平均精度均值指标评判该方法整体性能。

本发明的网络模型融合基础特征、高阶特征和哈希编码，深入挖掘三者的内在联系，联合优化，保证学习到的哈希码具有更丰富的语义信息，借助交叉熵损失实现端对端训练，提升高阶哈希的图像检索性能。

附图说明

以下结合附图和具体的实施方式对本发明作进一步详细的说明。

图1是本发明所涉及的基于高阶深度哈希学习的图像检索方法的流程示意图。

图2是本发明方法所构高阶深度哈希网络的结构示意图。

具体实施方式

本发明基于高阶深度哈希学习的图像检索方法包括：

步骤S1：构造包含图像数据及标签的图像数据集，并划分为训练集、测试集和检索图像集三部分，训练集用于本发明的模型训练，其余用于模型测试。