[发明专利]神经网络训练方法、图像检索方法及装置

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

从数据源中选择两张图像，分别作为第一训练图像和第二训练图像；

分别将所述第一训练图像输入到第一浅层卷积神经网络和第一深层卷积神经网络，得到第一浅层卷积神经网络获得的所述第一训练图像的视觉特征和所述第一深层卷积神经网络获得的所述第一训练图像的语义特征；

对所述第一训练图像的视觉特征和语义特征进行融合，得到第一融合特征；

分别将所述第二训练图像输入到第二浅层卷积神经网络和第二深层卷积神经网络，得到第二浅层深度哈希网络获得的所述第二训练图像的视觉特征和所述第二深层卷积神经网络获得的所述第二训练图像的语义特征；

对所述第二训练图像的视觉特征和语义特征进行融合，得到第二融合特征；

将所述第一融合特征和所述第二融合特征输入到预先设定的损失函数中，得到损失函数值，所述损失函数值用于计算所述第一训练图像和所述第二训练图像在汉明空间中的相似性；

判断所述损失函数值是否收敛；

若未收敛，则对所述第一浅层卷积神经网络、第一深层卷积神经网络、所述第二浅层卷积神经网络和所述第二深层卷积神经网络的参数进行更新，并返回执行所述从数据源中选择两张图像，分别作为第一训练图像和第二训练图像的步骤，直至所述损失函数值收敛。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一训练图像的视觉特征和语义特征进行融合，得到第一融合特征之后，还包括：

对所述第一融合特征进行降维，得到第一目标特征，对所述第一目标特征进行二值化处理，得到第一目标二进制码；

对所述第二训练图像的视觉特征和语义特征进行融合，得到第二融合特征之后，还包括：

对所述第二融合特征进行降维，得到第二目标特征，对所述第二目标特征进行二值化处理，得到第二目标二进制码；

所述将所述第一融合特征和所述第二融合特征输入到预先设定的损失函数中，得到损失函数值，包括：

将所述第一目标二进制码和所述第二目标二进制码输入到预先设定的损失函数中，得到损失函数值。

3.根据权利要求1所述的方法，其特征在于，所述第一浅层卷积神经网络中参数的初始权重与所述第二浅层卷积神经网络中参数的初始权重相互具有差异；

所述第一深层卷积神经网络中参数的初始权重与所述第二深层卷积神经网络中参数的初始权重相互具有差异。

4.根据权利要求2或3所述的方法，其特征在于，所述预先设定的损失函数为：

s.t. b_i∈{-1，+1}；

其中，tanh()表示双曲正切函数；F表示第一融合特征；G表示第二融合特征；B1表示第一训练图像生成的二进制码；B2表示第二训练图像生成的二进制码；k表示生成二进制码的bit数；S表示第一训练图像和第二训练图像之间的相似矩阵；S_i，j表示第一训练图像和第二训练图像之间的相似关系，若第一训练图像和第二训练图像包含相同标签，则第一训练图像和第二训练图像相似，S_i，j＝1，否则S_i，j＝0；θ_i，j表示B1和B2之间的內积；表示矩阵中各项元素的绝对值平方的总和；τ,γ,β为非负参数；B1^T表示B1的转置；B2^T表示B2的转置，(F)^T表示F的转置；(G)^T表示G的转置。