[发明专利]图像特征提取方法

说明书

本发明属于图像学习领域，并且具体提供了一种图像特征提取方法，旨在降低图像特征学习对硬件条件的过度依赖，同时提高图像特征学习效果。为此目的，本发明提供的图像特征提取方法主要包括以下步骤：通过预设的卷积神经网络获取目标图像的图像特征；该方法还包括对卷积神经网络进行网络训练，其具体包括获取图像样本集中每个图像样本的相似样本，并且分别对每个图像样本及其对应的相似样本进行图像变换；通过卷积神经网络并且根据图像变换结果获取相应的图像特征；根据目标函数、图像样本及其对应的相似样本的图像特征并利用机器学习算法对卷积神经网络进行网络训练。基于上述步骤，本发明可以保证图像特征的学习效果，又可以降低对硬件条件要求。

技术领域

本发明属于图像学习技术领域，具体涉及一种图像特征提取方法。

背景技术

基于深度学习的图像分类往往需要大量的标注数据，但是获取大量的标注数据成本很高甚至是不可能的，如何在无需标注数据的情况下(无监督)学习到图像中的重要特征，进而为后续的计算提供一个很好的基础具有很高的科研和实用价值。

现有的无监督图像特征学习方法大致可以分为以下四类：

第一类，基于生成模型的无监督图像特征学习方法，该方法主要是通过限制玻尔兹曼机、对抗生成网络以及自编码器等实现无监督特征图像学习。

第二类，基于自监督模型的无监督图像特征学习方法，该方法主要是通过输入图像的一部分信息预测输入图像中另一部分信息，对输入图像中的对象进行计数等实现无监督图像特征学习。

第三类，基于度量学习的无监督图像特征学习方法，该方法主要是根据任意两个输入图像，计算两个输入图像的得分，再根据两个输入图像的关系，获取这两个图像的得分所满足的特定关系实现无监督图像特征学习。

第四类，基于Memory bank的无监督图像特征学习方法，该方法主要是通过为每一个输入图像保存一个嵌入向量，再通过训练不断更新该嵌入向量来实现无监督图像特征学习。

现有的无监督图像特征学习方法中第四类学习方法的学习效果最好，但是第四类学习方法的缺点在于需要为每个输入图像保存一个嵌入向量，而且为了提高计算速度，每个嵌入向量必须保存在GPU中。对于大型数据或者嵌入向量长度较长的情况，则很可能没有足够的内存保存嵌入向量。此外，如果图像数据中包含类别信息，则还需要另外设计模型才能够将类别信息整合到相应的模型中。综上，现有的无监督特征图像学习方法要么学习效果不够理想，要么就是对硬件条件要求高，尤其是对GPU的依赖较大。

因此，如何提出一种既可以保证图像特征的学习效果，又可以降低对硬件条件要求的方案是本领域技术人员目前需要解决的问题。

发明内容

为了解决现有技术中的上述问题，即为了降低对硬件条件的过度依赖同时提高图像特征学习效果，本发明提供了一种图像特征提取方法，所述方法包括通过预设的卷积神经网络获取目标图像的图像特征；

所述方法还包括基于预设的图像样本集与预设的目标函数并利用机器学习算法对所述卷积神经网络进行网络训练，具体包括：

获取所述图像样本集中每个图像样本的相似样本，并且分别对所述每个图像样本及其对应的相似样本进行图像变换；

通过所述卷积神经网络并且根据图像变换结果获取相应的图像特征；

根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练；

其中，所述相似样本取决于所述图像样本是否包含类别信息，所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大，以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。

可选地，在所述图像特征提取方法中，“获取所述图像样本集中每个图像样本的相似样本”的步骤具体包括：