[发明专利]基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法

权利要求书

1.一种基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法，其特征在于，所述基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法包括：

获取目标图像，对获取的图像提取特征，利用深度学习目标函数创建哈希码；具体包括：

(1)在图片经过深层次的神经网络捕捉特征后，采用相应的数学公式对获取的特征进行数据格式上的规范化处理；

(2)设对应图像特征X的哈希码为H＝[h₁，h₂，…h_n]^T∈{1，-1}^n×c，c是哈希码的长度，n为图片的数量；建立n×n相似矩阵S，矩阵第i行第j列的元素为图像特征x_i和x_j之间的相关性，定义为：

其中，N_k(x)表示特征向量x的k近邻；

由两个二进制码h_i和h_j之间不同的比特数给出两个二进制码h_i和h_j之间对应特征x_i和x_j的汉明距离；

(3)利用加权平均最小化相似数据之间的汉明距离，以及最小化数据的重构误差及语义损失，得到最终目标哈希函数：

s.t.HH^T＝I；

其中，N为输入特征向量的临近集合，S为创建的临近相似矩阵，C为偏置参数；I为单位矩阵；选取(N-S+φC)的最小非零特征值作为H的数值；

(4)利用上述哈希函数得到邻域结构保存的哈希码；

将数据集进行n次迭代以得到最终的哈希码标签；

将所生成的哈希码标签带入ILS迭代局部搜索强化精度，得到最终的检测结果；

迭代搜索优化哈希算法具体包括：

输入：H-局部最优解；

输出：H-扰动解；

1)H-初始解；

2)评分：将前面的c元素赋1分，剩余元素赋0分；

3)选择：有序地从m个要扰动的元素中选择1个；

4)扰动：设置元素为其相对的数字，得到一个扰动解H*；

5)局部搜索H*；

6)直到满足停止条件，得出利用迭代局部搜索加工后的高精度数据结果。

2.如权利要求1所述的基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法，其特征在于，利用深度学习目标函数创建哈希码前需进行：

获取目标图像，对获取的图像提取特征，利用X＝[x₁，x₂，…x_n]∈R^n×p表示图像特征，其中n是训练图像的数量，p是特征的维度。

3.如权利要求1所述的基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法，其特征在于，将所生成的哈希码标签带入ILS迭代局部搜索具体包括：

首先，导入在哈希标签生成阶段获得的哈希码标签，用Backprop算法进行建模，构建目标函数，则生成的训练函数表示为：

F表示输出为一个mxd矩阵，m是批量的样本数量，d是最后一个全连接层的输出数量，x是输出向量，y是对应的标签；

其次，将生成的函数结果设为H，并利用迭代搜索对函数结果进行强化。

4.如权利要求3所述基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法，其特征在于，利用迭代搜索对函数结果进行强化具体包括：

1)利用扰动算子跳出局部最优陷阱：通过改变临界元件的值跳出局部最优陷阱；

2)引入增量更新，降低成本：首先计算并构建矩阵S_ij，其中i行j列的值为h_i和h_j的相似度；当h_i的一个元素被更改时，只更新相应哈希码h_i与其他h_j之间的相似度值，不需要计算其他h_j之间的相似度，防止重复计算整个S_ij；

3)停止条件设置：应用K-fold交叉验证生成停止条件。