[发明专利]基于图神经网络的图像哈希生成方法及装置

权利要求书

1.一种基于图神经网络的图像哈希生成方法，其特征在于，包括以下步骤：

获取多张训练图像的特征信息和标签信息，测试图像的特征信息和标签信息，根据所述多张训练图像的特征信息和标签信息构建卷积神经网络，其中，所述根据所述多张训练图像的特征信息和标签信息构建卷积神经网络，包括：在训练图像具有多个标签信息时，根据训练图像的多个标签信息的对应权重构建所述卷积神经网络；

通过图卷积神经网络对所述卷积神经网络进行学习生成图像检索模型，其中，所述卷积神经网络以图像为结点，若训练图像之间存在相同标签信息，则将具有相同标签信息的训练图像之间进行连接；

利用所述测试图像的特征信息和标签信息，将所述测试图像输入到所述图像检索模型，输出所述测试图像对应的哈希码。

2.根据权利要求1所述的方法，其特征在于，

所述图像检索模型包括图像与图像之间深层次的相似度关系。

3.根据权利要求1所述的方法，其特征在于，

所述测试图像对应的哈希码包含多粒度语义信息。

4.一种基于图神经网络的图像哈希生成装置，其特征在于，包括：

构建模块，用于获取多张训练图像的特征信息和标签信息，测试图像的特征信息和标签信息，根据所述多张训练图像的特征信息和标签信息构建卷积神经网络，其中，所述根据所述多张训练图像的特征信息和标签信息构建卷积神经网络，包括：在训练图像具有多个标签信息时，根据训练图像的多个标签信息的对应权重构建所述卷积神经网络；

生成模块，用于通过图卷积神经网络对所述卷积神经网络进行学习生成图像检索模型，其中，所述卷积神经网络以图像为结点，若训练图像之间存在相同标签信息，则将具有相同标签信息的训练图像之间进行连接；

输出模块，用于利用所述测试图像的特征信息和标签信息，将所述测试图像输入到所述图像检索模型，输出所述测试图像对应的哈希码。

5.根据权利要求4所述的装置，其特征在于，

所述图像检索模型包括图像与图像之间深层次的相似度关系。

6.根据权利要求4所述的装置，其特征在于，

所述测试图像对应的哈希码包含多粒度语义信息。