[发明专利]用于图像哈希求解的神经网络训练方法及装置

权利要求书

1.一种用于图像哈希求解的神经网络训练方法，其特征在于，所述方法包括：

确定训练图像数据集；所述训练图像数据集包括有多组训练图像组；每一组所述训练图像组包括有多个训练图像；

确定目标神经网络模型的网络架构；所述目标神经网络模型的网络架构用于求解出所述训练图像数据集中的每一组所述训练图像组中的多个训练图像之间的成对损失、分类损失和余弦损失；

确定目标神经网络模型的损失函数；所述损失函数为根据所述成对损失、所述分类损失和所述余弦损失确定出的；

将所述训练图像数据集输入至所述目标神经网络模型中进行迭代训练，直至所述损失函数收敛，得到训练后的目标神经网络模型；所述训练后的目标神经网络模型用于求解图像的哈希值。

2.根据权利要求1所述的用于图像哈希求解的神经网络训练方法，其特征在于，每一组所述训练图像组包括有目标训练图像、相似训练图像和区别训练图像；所述相似训练图像与所述目标训练图像的图像属性相同；所述区别训练图像与所述目标训练图像的图像属性不同。

3.根据权利要求2所述的用于图像哈希求解的神经网络训练方法，其特征在于，所述确定目标神经网络模型的网络架构，包括：

确定目标神经网络模型的网络架构为包括有卷积层、第一全连接层、tanh激活函数、sigmoid激活函数、第二全连接层、softmax激活函数、用于计算所述成对损失的成对损失计算函数、用于计算所述分类损失的分类损失计算函数和用于计算所述余弦损失的余弦损失计算函数；

其中，所述卷积层的输入为所述目标神经网络模型的输入，所述卷积层的输出连接至所述第一全连接层的输入，所述第一全连接层的输出分别连接至所述tanh激活函数和所述sigmoid激活函数的输入，所述tanh激活函数的输出连接至所述成对损失计算函数，所述sigmoid激活函数的输出连接至所述第二全连接层的输入，所述第二全连接层的输出分别连接至softmax激活函数的输入和所述余弦损失计算函数；所述softmax激活函数的输出连接至所述分类损失计算函数。

4.根据权利要求3所述的用于图像哈希求解的神经网络训练方法，其特征在于，所述成对损失计算函数基于以下公式计算所述成对损失：

L_paired＝s_ijL_similar+(1-s_ij)L_dissimilar；

其中，L_paired为当前计算的图像对的所述成对损失，L_dissimilar为当前计算的图像对的不相似损失，L_similar为当前计算的图像对的相似损失，s_ij在当前计算的图像对为相似图像对时为1，s_ij在当前计算的图像对为区别图像对时为0，所述相似图像对由所述相似训练图像与所述目标训练图像组成，所述区别图像对由所述区别训练图像与所述目标训练图像组成；f_i，f_j为当前计算的图像对包括的两个成对图像分别对应的第一特征信息f_i和f_j的内积；所述第一特征信息为所述tanh激活函数输出的对应于所述成对图像的特征信息；

和/或，所述分类损失计算函数为交叉熵损失计算函数；

和/或，所述余弦损失计算函数基于以下公式计算所述余弦损失：

L_cosine＝s_ij(cosh_i，h_j-1)²+(1-s_ij)(cosh_i，h_j+1)²；

其中，L_cosine为当前计算的图像对的所述余弦损失，h_i，h_j为当前计算的图像对包括的两个余弦图像分别对应的第二特征信息h_i和h_j的余弦距离；所述第一特征信息为所述第二全连接层输出的对应于所述余弦图像的特征信息。