[发明专利]一种面向小样本场景的深度图像检索方法

权利要求书

1.一种面向小样本场景的深度图像检索方法，其特征在于，包括如下步骤：

步骤1，获取图像数据集H作为数据库，从数据库中采样训练样本，并根据训练样本数据的标签计算训练样本间以及训练样本与数据库间的相似度矩阵；

步骤2，对所述训练样本随机图像增强生成样本副本，将其通过深度哈希网络映射到连续空间中，以获得中间特征并计算对比损失函数L_c；

步骤3，将学习到的所述中间表征映射为二进制码，结合所述训练样本间以及训练样本与数据库间的相似度矩阵计算二值损失函数；

步骤4，根据所述对比损失函数L_c与二值损失函数构造总损失函数L；

步骤5，基于所述总损失函数L对深度哈希网络进行更新，基于所述训练样本间以及训练样本与数据库间的相似度矩阵与所述总损失函数L，对数据库样本的哈希码进行更新，直至网络收敛；

步骤6，对于外来图像样本，使用上述步骤5训练好的深度哈希网络对图像进行检索。

2.根据权利要求1所述的一种面向小样本场景的深度图像检索方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1，对深度哈希网络进行初始化，所述深度哈希网络由一个卷积神经网络和两层全连接网络组成；

步骤2.2，对采样的所述训练样本分别进行两次随机的图像增强，得到正负两组样本副本，以构成最终训练数据集H^*；

步骤2.3，使用所述卷积神经网络提取特征并通过其中一层所述全连接网络映射到l维空间中，得到中间特征r_i，其中中间特征r_i表示为连续向量；

步骤2.4，基于所述中间特征r_i计算对比损失函数L_c。

3.根据权利要求2所述的一种面向小样本场景的深度图像检索方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1，使用所述全连接网络将中间特征r_i映射为向量z_i，再将向量z_i转换为二进制码表示为u_i＝sign(z_i)，用tanh(·)近似sign(·)来保证可导；

步骤3.2，基于二进制码u_i和训练样本间以及训练样本与数据库间的相似度矩阵计算二值损失函数，其中二值损失函数包括训练样本内损失函数L_b和训练样本与数据库间损失函数L_q。

4.根据权利要求3所述的一种面向小样本场景的深度图像检索方法，其特征在于，所述步骤4中基于所述对比损失函数L_c与二值损失函数构造总损失函数L，将所述总损失函数L构造为L＝L_c+λ₁L_b+λ₂L_q，其中λ₁,λ₂为超参数。

5.根据权利要求4所述的一种面向小样本场景的深度图像检索方法，其特征在于，所述步骤5采用非对称的方式在训练过程中直接对数据库中的哈希码进行更新，其具体步骤为：

步骤5.1，固定深度哈希网络的参数，初始化数据库样本的二进制码V；

步骤5.2，将所述训练样本生成的两组样本副本的输出分别表示为U₁和U₂，令并将扩充成矩阵

步骤5.3，将目标函数进行简化改写为

其中，const表示为常数项；

步骤5.4，采用DCC算法按位对所述数据库样本的二进制码V进行优化，表示为：

其中，为的第k列，为除去第k列后剩下的矩阵部分，为V除去第k列后剩下的矩阵部分，Q_*k为Q的第k列。