[发明专利]用于图像的模型训练方法以及无监督图像哈希检索方法

权利要求书

1.一种用于图像的模型训练方法，其特征在于，包括：

获取无标签训练图像数据；

对所述无标签训练图像数据进行两次数据增广，获得第一增广数据以及第二增广数据；

利用预先构建的哈希特征提取模型分别对所述第一增广数据以及第二增广数据进行前向传播，获得第一预测值以及第二预测值；

基于所述第一预测值以及第二预测值，利用预先构建的损失函数计算得到损失值，其中，所述损失函数基于谱对比学习算法构建；

根据所述损失值对所述预先构建的哈希特征提取模型中的网络参数进行更新，直到所述损失值小于损失阈值停止网络参数的更新，以获得训练好的哈希特征提取模型。

2.根据权利要求1所述的用于图像的模型训练方法，其特征在于，所述损失函数基于谱对比学习算法构建，包括：

构建所述第一增广数据与所述第二增广数据之间的图，所述图中的边表征所述第一增广数据与所述第二增广数据的联合概率分布；

利用所述预先构建的哈希特征提取模型输出的特征定义损失函数，利用定义得到的损失函数实现对所述图对应的邻接矩阵进行谱分解，从而获得基于谱对比学习算法构建的损失函数。

3.根据权利要求2所述的用于图像的模型训练方法，其特征在于，所述构建所述第一增广数据与所述第二增广数据之间的图，包括：

构建所述第一增广数据与所述第二增广数据之间的图A；

相应地，所述利用所述预先构建的哈希特征提取模型输出的特征，定义损失函数，包括：

获取所述图A对应的标准化邻接矩阵

基于矩阵分解的准则对所述标准化邻接矩阵进行谱分解，获得定义得到的损失函数l：

其中，F∈R^N×k表示全体增广数据的k维特征矩阵；

利用预先构建的哈希特征提取模型f(x)输出特征矩阵F，并将所述标准化邻接矩阵转换为概率分布形式，以获得基于谱对比学习算法构建的损失函数l^′：

其中，x和x⁺是随机数据增广对应的分布中的两个独立采样；x^-为不同于无标签数据的数据所生成的增广数据。

4.根据权利要求3所述的用于图像的模型训练方法，其特征在于，所述基于所述第一预测值以及第二预测值，利用预先构建的损失函数计算得到损失值，包括：

基于第一预测值z_i＝f(x_i)以及第二预测值z_i^′＝f(x_i^′)，并根据损失函数l^′，计算得到损失函数l^′的随机估计，将该随机估计作为损失值，该损失值为：

其中，B为批量大小。

5.根据权利要求1所述的用于图像的模型训练方法，其特征在于，所述预先构建的哈希特征提取模型包括特征提取主干网络、激活层以及量化层；

相应地，所述利用预先构建的哈希特征提取模型分别对所述第一增广数据以及第二增广数据进行前向传播，获得第一预测值以及第二预测值，包括：

通过所述特征提取主干网络分别对所述第一增广数据以及第二增广数据进行特征提取，获得第一输出值以及第二输出值；

通过所述激活层以及量化层分别对所述第一输出值以及第二输出值进行转化，以获得二进制代码形式的第一预测值以及第二预测值。

6.根据权利要求1所述的用于图像的模型训练方法，其特征在于，所述根据所述损失值对所述预先构建的哈希特征提取模型中的网络参数进行更新，包括：

根据所述损失值，并利用直通估计器进行梯度的反向传播，以更新预先构建的哈希特征提取模型中的网络参数。