[发明专利]基于无监督加权哈希的遥感图像检索方法

权利要求书

1.基于无监督加权哈希的遥感图像检索方法，其特征在于，包括以下步骤：

步骤S1：采用在ImageNet-1K上预训练的Swin Transformer模型对遥感图像集进行特征提取，对提取的深度特征进行双层K-NN计算，按照图像间的余弦距离进行排序，选取前k1个作为相似图像；

步骤S2：按照两幅图像的相同近邻对象的数量进行排序，选择前k2个作为相似图像；

步骤S3：结合上述两组条件，生成后续无监督训练所需的初始相似矩阵；

步骤S4：当模型开始训练后，每一轮训练都会对模型参数进行微调，借此可以提取到更有效的深度特征表示，并生成新的相似矩阵；

步骤S5：矩阵的生成使用了图像对之间的相似度，没有考虑两幅图像的相邻图像信息，而相邻图像的信息也有利于描述两幅图像之间的相似关系；

步骤S6：通过结合加权相似性结构和初始相似性矩阵，进一步对新生成的相似性矩阵进行更新；

步骤S7：采用相似阈值对新矩阵中的相似对进行更新，阈值采用初始相似矩阵中所有相似图像对的加权相似度的均值；

步骤S8：在训练过程中，通过由自适应权重相似损失和量化损失组合的新损失函数，能够为多个不同困难程度的正负例样本对自动调节权重，以有效利用图像间的判别信息，来整体优化哈希网络以提高性能；

步骤S9：在两个广泛采用的公共遥感图像数据集上进行了实验。

2.根据权利要求1所述的基于无监督加权哈希的遥感图像检索方法，其特征在于，所述步骤S6中加权相似矩阵是通过不同图像的相邻图像关系构成的。

3.根据权利要求1所述的基于无监督加权哈希的遥感图像检索方法，其特征在于，所述步骤S8中的自适应权重相似损失根据每一个图像对的困难程度为其分配不同权重。

4.根据权利要求1所述的基于无监督加权哈希的遥感图像检索方法，其特征在于，所述步骤S9的实验结论为：在EuroSAT数据集上，与SPL-UDH算法相比，DUWH方法在16位、24位、32位和48位时分别实现了3.4％、2.4％、2.4％和4.3％的增量；

在PatternNet数据集上，DUWH方法在48位也实现了3.3％的增量。