[发明专利]基于扰动一致性自集成的半监督图像检索方法及装置

权利要求书

1.一种基于扰动一致性自集成的半监督图像检索方法，其步骤包括：

1)将图像输入训练后的半监督图像特征提取模型，得到该图像的特征，其中所述半监督图像特征提取模型包括：一卷积神经网络、一分类层、一哈希层和一扰动一致性自集成模块，使用少量有标记数据与大量无标记数据对所述半监督图像特征提取模型进行如下训练：

1.1)将不同数据增强条件下的有标记数据和无标记数据输入到所述卷积神经网络中得到fc7层特征，所述fc7层特征为卷积神经网络的全连接层输出；

1.2)将所述有标记数据的fc7层特征分别传递到所述分类层进行分类学习及所述哈希层进行哈希码学习，其中，分类学习的损失函数为L_c＝∑_j∈L-y_jlogf_j，y_j和f_j是标记数据x_j的真实标记和分类层预测结果，L表示标记数据集，哈希码学习的损失函数为参数h_i是标记数据x_i的哈希层输出，S_ij是语义相似性矩阵S中的元素，且当标记数据x_i与标记数据x_j具有相同类别时，S_ij＝1，否则S_ij＝0；

1.3)所述扰动一致性自集成模块对在不同数据增强条件下的同一个无标记样本x_k的哈希层输出h_k进行集成形成一个全局特征，并使用扰动一致性损失函数最大化无标记样本x_k的哈希层输出h_k和对应的集成特征的相似性，所述扰动一致性损失函数μ是缩放因子，U为无标记数据集，利用指数滑动平均更新集成特征α是动量系数，t表示训练时的迭代次数；

2)将该图像的特征转换为图像离散的二值哈希码；

3)依据二值哈希码进行检索，得到图像检索结果。

2.如权利要求1所述的方法，其特征在于，将有标记数据与无标记数据输入训练后的卷积神经网络之前，分别获取有标记数据及无标记数据的增强数据，并通过有标记数据及无标记数据的增强数据训练得到所述半监督图像特征提取模型。

3.如权利要求1所述的方法，其特征在于，扰动一致性自集成模块还包括一存储空间；将集成特征保存在所述存储空间中。

4.如权利要求1所述的方法，其特征在于，将图像的哈希层输出特征转换为图像离散的二值哈希码的方法包括：将图像的特征输入到符号函数中。

5.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1-4中任一所述方法。