[发明专利]神经网络训练方法、图像检索方法及装置

说明书

本申请提供了一种神经网络训练方法、图像检索方法及装置，该训练方法通过预先设定的损失函数对第一浅层卷积神经网络、第一深层卷积神经网络、第二浅层卷积神经网络和第二深层卷积神经网络进行训练，使第一浅层卷积神经网络、第一深层卷积神经网络、第二浅层卷积神经网络和第二深层卷积神经网络学习到能提取与图像相似性相关的特征，在此基础上，使用浅层卷积神经网络和深层卷积神经网络提取不同类型的特征，并对特征进行融合，使融合后的特征能表征更加丰富的图像信息，使得利用融合后的特征检索图像，可以提高图像检索的精度。

技术领域

本申请涉及图像处理技术领域，特别涉及一种神经网络训练方法、图像检索方法及装置。

背景技术

目前，图像检索可以利用深度学习网络计算图像的特征值，然后根据特征值间的距离远近来判断图像间是否相关。

但是，基于深度学习网络进行图像检索的精度仍有待提高。

发明内容

本申请提供如下技术方案：

一种神经网络训练方法，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。

可选的，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。

可选的，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。

可选的，所述预先设定的损失函数为：