[发明专利]一种联合无类别区域建议框生成和图像目标快速检索方法

权利要求书

1.一种联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述联合无类别区域建议框生成和图像目标快速检索方法包括以下步骤：

将待检索图像输入区域建议框检测网络模型，得到所述待检索图像中的多种初始区域建议框的定位结果和置信度；

将所述待检索图像和所述定位结果输入包括基于双线性插值的区域特征裁剪模块的GeM图像检索网络模型，得到待检索特征向量集；

将待匹配图像输入包括ResNet-50干网络的GeM图像检索网络模型，得到待匹配特征向量集；

计算所述待检索特征向量集和所述待匹配特征向量集的相似性，得到全局特征向量相似性；

根据所述置信度，微调所述全局特征向量相似性，得到目标区域建议框；

所述根据所述置信度，微调所述全局特征向量相似性，得到目标区域建议框的步骤包括：

将所述置信度和所述全局特征向量相似性代入相似性微调公式中，得到微调后的全局特征向量相似性；

根据微调后的全局特征向量相似性生成目标区域建议框；

所述相似性微调公式为S′＝S^p*C^1-p，其中，p为超参数，S为所述全局特征向量相似性，C为所述置信度，S’为微调后的全局特征向量相似性。

2.如权利要求1所述的联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述将所述待检索图像和所述定位结果输入包括基于双线性插值的区域特征裁剪模块的GeM图像检索网络模型，得到待检索特征向量集的步骤包括：

基于双线性插值的区域特征裁剪模块，得到与所述待检索图像对应的含有整型宽高区域建议框的深度特征图；

将所述深度特征图输入GeM图像检索网络模型中的广义平均池化模块和白化模块，得到待检索特征向量集。

3.如权利要求2所述的联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述基于双线性插值的区域特征裁剪模块，得到与所述待检索图像对应的含有整型

宽高区域建议框的深度特征图的步骤包括：

根据所述定位结果将所述初始区域建议框映射至所述待检索图像上，得到具有浮点型宽高区域建议框的特征图；

根据所述具有浮点型宽高区域建议框的特征图确定具有整型宽高区域建议框的深度特征图。

4.如权利要求3所述的联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述根据所述具有浮点型宽高区域建议框的特征图确定具有整型宽高区域建议框的深度特征图的步骤包括：

对所述具有浮点型宽高区域建议框进行向上取整操作，得到整型宽高；

对所述整型宽高进行自适应划分，得到多个整型宽高区域块；

将所述整型宽高区域块划分成四个整型宽高小区域块，并确定所述整型宽高小区域块的中心点为采样点；

对所述采样点组成的区域继续进行划分，得到目标点；

将所述目标点连接，得到具有整型宽高区域建议框的深度特征图。

5.如权利要求1所述的联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述将待匹配图像输入包括ResNet-50干网络的GeM图像检索网络模型，得到待匹配特征向量集的步骤包括：

将所述待匹配图像依次输入至GeM图像检索网络模型中ResNet-50干网络，广义平均池化模块和池化模块，得到待匹配特征向量集。

6.如权利要求1所述的联合无类别区域建议框生成和图像目标快速检索方法，其特征在于，所述计算所述待检索特征向量集和所述待匹配特征向量集的相似性，得到全局特征向量相似性的步骤包括：

计算所述待检索特征向量集中每一待检索特征向量与所述待匹配特征向量集中每一待匹配特征向量的欧式距离，得到所述待检索特征向量和所述待匹配特征向量的相似性；

确定所述相似性的最大值为全局特征向量相似性。