[发明专利]一种面向小样本场景的深度图像检索方法

说明书

本发明公开一种面向小样本场景的深度图像检索方法,尤其是在可获得的学习样本较为稀疏的情况下，使用本发明通过结合对比学习，从少量样本中挖掘获得更多语义信息，以提升深度哈希模型的表征与编码能力。首先，从数据库中采样得到训练样本，并随机增强生成正负样本副本。然后使用哈希深度网络生成连续特征，以保留更多的语义信息，最后映射生成二进制码。同时，利用训练样本间以及训练样本与数据库间的相似度矩阵维护数据库样本的二进制码。训练阶段结束模型收敛后，对于外来样本，可以使用深度哈希网络计算其二进制码，再根据数据库的二进制码直接进行检索。与现有技术相比，本发明能提升图像检索的效率和精度，在面对小样本场景时更为鲁棒。

技术领域

本发明涉及一种面向小样本场景的深度图像检索方法，属于计算机视觉和图像检索领域，特别适用于可获得的训练样本数量较少的小样本场景。

背景技术

随着数据的爆炸式增长，近似最近邻搜索在信息检索领域引起了越来越多的关注。作为近似最近邻搜索中一种经典的技术，哈希算法在保留原始数据相似性信息的同时，利用哈希函数将高维数据编码成二进制码。基于短二进制码表示，查询样本和数据库中样本的相似性可以用汉明距离来衡量。因此，结合哈希运算的近似最近邻搜索可以实现线性或次线性的时间复杂度，具有查询速度快、存储成本低等显著优势。

传统的哈希方法使用手工方法(如SIFT算子)生成用于二进制码学习的特征。而随着深度学习在计算机视觉领域取得了巨大成功，深度神经网络被引入哈希方法中，使表征学习部分和二进制码学习部分同时工作。在深度哈希中，网络提取的深度特征被用于生成二进制码。与此同时，二进制码学习提供反馈，指导深层网络的表征学习。

然而，目前的图像检索方法往往基于大量的训练样本，而现实中很多场景下可获得的训练样本数量收到限制，或者可利用的训练资源不足。另外，深度哈希的输出受到离散约束的限制。与分类任务等输出为每个类别的概率分布的任务相比，二进制输出从原始数据中保留的语义信息较少。因此在面对可获得的训练样本较少的场景时，语义信息的缺少使得二进制码学习部分不能很好地指导深度网络进行表征学习，从而进一步影响二进制码学习的效果。因此需要一种方法，能够克服深度哈希方法中信息损失的缺陷，从有限样本中获得更多有用的语义信息，来指导深度哈希进行表征学习。

发明内容

本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

针对现有技术中存在的问题与不足，本发明目的在于提供一种面向小样本场景的深度图像检索方法，在可获得的学习样本较为稀疏的情况下，引入中间连续特征，从少量样本中挖掘更多的信息，指导深度网络进行表征学习，然后利用训练获得的哈希网络计算哈希码并数据库中进行检索。提升了图像检索的效率和精度，在面对小样本场景时更为鲁棒，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

本发明公开一种面向小样本场景的深度图像检索方法，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，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；