[发明专利]一种基于稀疏神经网络的图像检索文本方法

权利要求书

1.一种基于稀疏神经网络的图像检索文本方法，其特征是：具体包括以下步骤：

(1)获取图像和文本的底层特征，构建图像的训练样本、测试样本以及文本的训练样本和测试样本；

(2)构建独立的稀疏神经网络模型，利用其训练图像训练样本，构建另一独立稀疏神经网络模型利用其训练文本训练样本；

(3)将图像的测试样本输入其对应的训练好的稀疏神经网络模型，得到其网络输出，将文本的测试样本输入其对应的训练好的稀疏神经网络模型，得到其网络输出；

(4)利用图像与文本的网络输出，分别表示查询图像和待检索文本，求查询图像与所有待检索文本两两之间的距离，确定最匹配的文本;

所述步骤(2)中，训练的具体过程包括：

(2-1)随机地初始化权重矩阵；

(2-2)将图像训练样本输入稀疏神经网络模型，网络正向传播，分别计算网络的隐藏层节点和输出层节点的输出值；

(2-3)网络误差反向传播，对于稀疏神经网络模型的输出层节点和隐藏层节点，计算其误差项；

(2-4)根据误差项更新每一个权重值；

(2-5)重复步骤(2-2)-(2-4)，直到满足迭代结束条件，训练完毕。

2.如权利要求1所述的一种基于稀疏神经网络的图像检索文本方法，其特征是：所述步骤(1)中，采用多倍交叉验证，将所有数据随机均匀分成多份，每次选取一组作为测试数据，其余的作为训练数据，实验重复多次，同样的，文本的训练样本和测试样本也采用多倍交叉验证，图像和文本选取的训练样本和测试样本应一一对应。

3.如权利要求1所述的一种基于稀疏神经网络的图像检索文本方法，其特征是：所述步骤(2-5)中，迭代结束条件为达到设定的迭代次数。

4.如权利要求1所述的一种基于稀疏神经网络的图像检索文本方法，其特征是：所述步骤(3)中，训练的具体过程包括：

(3-1)随机地初始化权重矩阵；

(3-2)将文本训练样本输入稀疏神经网络模型，网络正向传播，分别计算网络的隐藏层节点和输出层节点的输出值；

(3-3)网络误差反向传播，对于稀疏神经网络模型的输出层节点和隐藏层节点，计算其误差项；

(3-4)根据误差项更新每一个权重值；

(3-5)重复步骤(3-2)-(3-4)，直到满足迭代结束条件，训练完毕。

5.如权利要求4所述的一种基于稀疏神经网络的图像检索文本方法，其特征是：所述步骤(3-5)中，迭代结束条件为达到设定的迭代次数。

6.如权利要求1所述的一种基于稀疏神经网络的图像检索文本方法，其特征是：所述步骤(4)中，求查询图像与所有待检索文本两两之间的距离，将所求距离进行排序，确定距离最小的为与查询图像最匹配的文本。