[发明专利]一种基于深度度量学习的服装检索技术

权利要求书

1.一种基于深度度量学习的服装检索技术，其特征在于包括以下步骤：

1)模型设计：将一批服装图片经过卷积神经网络及全连接层得到特征嵌入；

2)采样方法：按照余弦相似度即已知的正负样本对的相似度信息，选取训练样本图片样本对；

3)损失函数：将步骤2)采样方法选取出来的图片样本对，带入设计的损失函数中计算损失，反传以训练模型。

2.如权利要求1所述一种基于深度度量学习的服装检索技术，其特征在于在步骤1)中，模型设计的具体方法为：一批数量为P×K的服装图片经过卷积神经网络及全连接层得到特征嵌入；其中，P代表随机选取P个类别的图片，K代表每一类随机选取K张图片；对于每一个图片，都有K-1个正样本对和(P-1)×K个负样本对，因此，一个训练批次的图片集合大小为P×K；选用在ImageNet上预训练过的Inception网络做为主干网络，在该主干网络后添加全局平均池化层，然后经过512维的嵌入层得到最终的特征嵌入。

3.如权利要求1所述一种基于深度度量学习的服装检索技术，其特征在于在步骤2)中，所述采样方法的具体步骤为：样本对之间两两计算余弦相似度s_i，j，按照余弦相似度即已知的正负样本对的相似度信息，采用以下规则选取训练样本：

2.1对于正样本图片对(i，j)，若它们之间的相似度s_i，j满足：

s_i，j＜τ_p

则会被选取，带入损失函数中计算损失；其中τ_p代表规定的正样本间隔；

2.2对于负样本图片对(i，j)，若它们之间相似度s_i，j同时满足以下两点：

以及：

s_i，j＞τ_n

满足上述条件的样本对会被选取，带入损失函数中计算损失；其中τ_n代表规定的负样本间隔，s_i，j为余弦相似度，而代表取与锚点最不相似的正样本的相似度再减去τ_b得到的值；只有当一个负样本图片对间的相似度同时比上述两者小的情况下，才会被选中代入损失函数中进行计算。

4.如权利要求1所述一种基于深度度量学习的服装检索技术，其特征在于在步骤3)中，所述损失函数的计算方法为：对于由采样方法选取出来的图片样本对，带入到设计的损失函数中计算损失，反传以训练模型，损失函数采用二项偏差损失

其中，α，β，λ为超参数，s_a，b及s_c，d为余弦相似度，P，N代表这一批次的正样本对与负样本对数量；本发明提出的损失函数为：

其中，E_c代表当前的迭代次数，E_t代表训练所预先设置的总训练次数，是采样方法中所规定的正负样本间隔，均为常数。