[发明专利]一种基于深度度量学习的服装检索技术

说明书

一种基于深度度量学习的服装检索技术，涉及基于内容的图像检索领域。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。利用卷积神经网络后接全连接层的设计来提取图片特征，性能良好且简单、参数少；采样方法可有效挖掘简单和困难样本对所携带的信息，同时防止无限制得惩罚以破坏嵌入空间的整体结构性。损失函数可随着训练过程调整困难样本对的损失大小，以充分学习到简单样本对和困难样本对的信息。

技术领域

本发明涉及基于内容的图像检索领域，尤其是涉及主要应用于互联网电商平台的智能化服装单品搜索领域的一种基于深度度量学习的服装检索技术。

背景技术

服饰检索是支撑目前日益流行且普遍繁荣的电商平台重要技术，可以极大地满足客户的需求以及促进电子商务的进一步普及。现有一个服装图片库，给定一张查询用的服装图片，服装检索任务即利用查询图片与库中图片所提取特征之间的余弦相似度，按照余弦相似度从大到小进行排序，以获得图片库中与查询图片相同或者相似的服装图片。

深度度量学习旨在学习一个嵌入空间。在该嵌入空间中，类别相同的图片之间的距离比不同类别图片间的距离更近。对于服装检索，目前的做法是设计一个定义在该嵌入空间的目标损失函数。在该损失函数中，将同类服装图片和不同类服装图片之间的距离都纳入损失函数。通过深度网络，将输入服装图片映射为嵌入空间的一个向量。深度学习对损失函数的最小化过程，旨在调整深度网络的参数，使得同类服装样本映射到嵌入空间后相似度尽量高，而不同类服装样本映射到嵌入空间后相似度尽量低。现有技术通常采用深度度量学习领域所提出的一些损失函数，例如：对比损失、三元组损失等。然而，仅仅使用这些损失函数而不对贡献损失的图片样本对进行充分挖掘，会使得训练得到的模型性能低下。

经典的损失函数有对比损失和三元组损失等。目前采样方法对于简单图片样本和困难图片样本一视同仁，即对于所有贡献损失的样本有着相同的权重。然而，不同图片样本对的重要性显然不同，若权重相同，会使得困难样本对即重要信息被简单样本对的信息淹没，影响性能。在训练早期，网络主要学习简单样本对的信息，在掌握了大量简单样本对信息之后，即中后期，网络就主要学习困难样本信息，且有些困难样本信息自始至终均难以掌握。

发明内容

本发明的目的在于主要针对互联网电商平台的智能化服装单品搜索领域，提供可应用到智能化的服装检索领域的一种基于深度度量学习的方法。

本发明包括以下步骤：

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。

在步骤1)中，模型设计的具体方法可为：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。

在步骤2)中，所述采样方法的具体步骤可为：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：