[发明专利]基于图像自编码的神经网络特征学习方法

摘要

本发明公开了基于图像自编码的神经网络特征学习方法，属于特征学习和图像检索技术领域。首先通过多标签图像数据集的分割标签构造训练图像集对应的分割训练图像集，然后初始化卷积神经网络和自编码神经网络的权重，使用随机梯度下降法训练自编码神经网络，提取每张训练样本对应的分割图像的隐含变量并进行归一化。随后，使用该隐含变量作为训练集原始图像对应的训练目标，训练卷积神经网络，并提取测试集合图像库中的每幅图像对应的特征向量，通过计算查询图像和图像库中每幅图像的特征向量间的欧式距离，并将距离按从小到大的顺序排列，得到相似图像检索结果。本发明使训练出的神经网络提取的特征在多标签检索任务上取得了更加优秀的检索效果。

主权项

基于图像自编码的神经网络特征学习方法，其特征在于：根据两个多标签数据集的分割标签，给训练数据集对应的图像打分割标签，构建一个原始图像与分割图像对应的数据集，随后对每个图像的数据集使用自编码神经网络进行压缩编码直到收敛，提取每张分割图像对应的隐含变量信息，将此隐含变量信息与原图像构造键值对；然后利用此隐含变量信息代替one‑hot标签作为神经网络的训练目标利用反向传播更新神经网络权重，训练得到对应神经网络；利用对应神经网络提取测试集特征；之后将测试集特征作为每张图像对应语义特征，通过计算并比较查询图像的特征与图像库中每幅图的欧式距离，最终快速准确的检索得到查询图像的相似图像结果；本方法的具体实现包括如下步骤：步骤1：构造数据集将图像数据集划分为训练集和测试集，在训练集中给每张原始图像对应的分割标签标记在图像上，构造出训练图像对应的分割图像集；步骤2：初始化卷积神经网络权重与自编码神经网络权重使用高斯随机初始化卷积神经网络权重和自编码神经网络权重，卷积神经网络初始化一次，自编码神经网络在训练每张分割图像对应的隐含变量后都进行高斯随机权重初始化；步骤3：训练自编码神经网络并提取分割图像隐含变量对每张训练图像对应的分割图像对应一个进行高斯初始化权重的自编码神经网络，将分割图像经过自编码前向传播经过改自编码模型，然后经过该网络计算后得到的损失用反向传播算法调整网络权重，同时对所有全连接层参数都进行学习更新，迭代至收敛后得到训练后的自编码神经网络模型；最后将对应的分割图像进行前向传输得到自编码神经网络中间隐层的隐含变量步骤4：归一化隐含变量对步骤3中取得的隐含变量进行归一化，从而将隐含变量的每一位都映射到[0,1]之间的实数上，得到经过归一化的隐含变量步骤5：训练卷积神经网络根据训练集图像库与步骤4得到的训练图像对应的归一化隐含变量，训练深度卷积神经网络模型；将训练集中原始图像输入卷积神经网络，并将步骤4得到的归一化隐含变量视为该训练集训练目标；经过卷积神经网络计算后得到损失后使用反向传播算法调整整个神经网络明权重，同时对所有层参数进行学习更新，迭代至收敛后得到训练后的深度神经网络模型；步骤6：提取特征向量并计算欧氏距离从步骤5中得到训练完毕的深度神经网络模型后，将测试样本集中的每张图像分别作为深度神经网络的输入，经过前向传播得到测试样本集的特征向量矩阵Feat；随后从Feat中按顺序取出测试图像的特征向量Featn，并计算该特征向量与图像库中的特征向量矩阵Feat每一行之间的欧式距离，然后将欧式距离以行向量的形式组合起来得到一个欧式距离列向量；步骤7：排序输出检索结果将步骤6中得到的欧式距离向量的数值依照从小到大的顺序进行排序，顺序输出对应的原始图像，得到图像检索结果。