[发明专利]基于图卷积网络的深度哈希方法及交通数据检索方法

权利要求书

1.一种基于图卷积网络的深度哈希方法，包括如下步骤：

S1. 获取训练图像；

S2. 对步骤S1获取的图像进行随机裁剪，完成图像数据的数据增强；

S3. 基于块嵌入、位置嵌入和编码器，构建视觉转换器模块；

S4. 将步骤S3构建的视觉转换器模块的输出数据，输入到图卷积网络中进行相关性优化；

S5. 将步骤S4得到的图卷积网络的输出图像经过全连接层和激活函数映射，得到哈希码；

S6. 基于相似性损失和语义损失，构建综合损失函数，并对步骤S3~S5的哈希过程进行优化；

S7. 根据最终的优化结果，完成实际的深度哈希过程。

2.根据权利要求1所述的基于图卷积网络的深度哈希方法，其特征在于所述的步骤S2，具体包括如下步骤：

将步骤S1获取的图像统一成256×256的正方形图像；

采用224×224的裁剪框，对统一后的图像进行随机裁剪，从而完成图像数据的数据增强。

3.根据权利要求2所述的基于图卷积网络的深度哈希方法，其特征在于所述的步骤S3，具体包括如下步骤：

视觉转换器包括依次串接的块嵌入模块、位置嵌入模块和编码器模块；

块嵌入模块用于将输入的图像切分成若干块，并添加一个待学习的类令牌，得到图像块和嵌入向量，并一同输入到位置嵌入模块；

位置嵌入模块用于为输入的图像块添加序列信息，从而生成一个用于分类的向量；

编码器模块用于对位置嵌入模块输出的向量进行图像特征提取。

4.根据权利要求3所述的基于图卷积网络的深度哈希方法，其特征在于块嵌入模块将输入的图像切分成p块，，其中H为输入图像的长，W为输入图像的宽，P为切分后图像的长或宽；然后，再添加一个待学习的类令牌x_cls，得到嵌入向量X_emd为，其中x_ip为第i张图像的第p块。

5.根据权利要求4所述的基于图卷积网络的深度哈希方法，其特征在于位置嵌入模块为输入的图像块添加序列信息PE，从而生成一个用于分类的向量z₀为。

6.根据权利要求5所述的基于图卷积网络的深度哈希方法，其特征在于编码器模块具体包括m个块；每一个块均包括第一层归一化子模块、多头自注意力子模块、第二层归一化子模块和多层感知机子模块；采用如下算式表示每一个块的计算过程：

式中z_m为第m个块的输出特征；MLP( )为多层感知机子模块的处理函数；LN₂( )为第二层归一化子模块的处理函数；为中间变量；MSA( )为多头自注意力子模块的处理函数；LN₁( )为第一层归一化子模块的处理函数。