[发明专利]一种基于深度学习的多维度特征选择方法

说明书

本发明提供一种基于深度学习的多维度特征选择方法，该方法通过Inception深度学习模型和特征维度随机截取模型学习到图像通用特征，并将数据库图像的通用特征储存，并且经过精心设计的特征维度选择模型对查询图像的特征维度进行选取，并以此维度在数据库中进行查询，使得查询所需的时间降低。

技术领域

本发明涉及计算机应用技术、计算机视觉领域，更具体地，涉及一种基于深度学习的多维度特征选择方法。

背景技术

近年来，基于深度网络的检索方法取得了显著进展。更广泛的研究努力致力于学习准确的图像检索模型。但是对于互联网上庞大图像数据，仅仅是准确度并不能满足实际的需求，因此学术研究者对更为快速的图像检索技术表现出了极大的吸引力。

目前的检索技术大多数现有的度量学习方法是将所有的输入的样本转化为定长的特征向量。这些已有的方法忽略了那些可以用更短的特征维度来表示的简单示例，因此检索效率相对低，

对于上述一些问题，自然地想到通过动态选择特征的维度来减少搜索时间，为了能选择特征，首先需要一个可以提取通用特征模型，具体是Inception网络。经过测试，得出了Inception网络提取的通用特征与单独训练的特征相比，精度损失不大。然后，设计了一个特征维度选择模块，具体包含演员网络(Actor Network),批评家网络(Critic Network)和奖励函数(Reward Function)。

发明内容

本发明提供一种基于深度学习的多维度特征选择方法，该方法使得查询所需的时间降低。

为了达到上述技术效果，本发明的技术方案如下：

一种基于深度学习的多维度特征选择方法，包括以下步骤：

S1：建立用于图像通用特征提取的深度学习网络模型G；

S2：在网络模型G后加上特征维度随机截取模型；

S3：通过在训练集上训练，获得训练集和测试集的通用特征；

S4：获得图像通用特征后，建立特征维度选择模型；

S5：训练和测试特征维度选择模型；

S6：建立用于提供后台接口的进程，提供检索入口以及返回检索结果。

进一步地，所述步骤S1的具体过程是：

S11：建立G网络的特征提取层，将预处理后的每个视频中的每一帧图片表示成一个低维的实数向量，在大规模标注照片上预训练好的模型导入Inception网络；

S12：通过训练该Inception网络来提取到一组设定好的长度的对于图像的特征向量X。

进一步地，所述步骤S2的维度截取模块具体设计是：

S21：用一个全连接层将设定好长度的特征向量X映射成一个K维的实数向量，这里的K为最大允许的特征维度大小

S22：在S21将每一个向量编码成一个实数向量后，建立G网络的维度截取模块，通过这个模块从最小维度(设置为16)到最大维度(设置为128)中随机选择一个维度，顺序的截取，获得一个随机长度的特征，在一个小批次中使用相同的特征维度，每次通过这些不同维度的特征来训练网络，以此获得一个最大长度为K的通用特征，每当需要一个随机长度的特征时，只需要对该通用特征进行顺序地截取即可。

进一步地，所述步骤S3的具体过程是：

S31：将数据集分为训练数据以及测试数据；