[发明专利]一种基于多层特征表示的实例级图像搜索方法

摘要

本发明涉及计算机视觉技术领域，尤其涉及一种基于多层特征表示的实例级图像搜索方法。本发明提出了一个通过深度卷积神经网络模型学习图像不同层次的特征表示，进行实例级的图像搜索的方法，使之能有效的找到相同物品的不同图像；本发明在传统网络模型基础上引入了一种编码学习过程，通过对来自于多个卷积层的特征进行自动编码，使得提取的特征更具有鲁棒性，降低背景和噪声数据对特征的影响，同时兼具局部信息和类别信息；本发明还提出了一种基于多任务的损失函数，并通过优化该函数，使学习到的特征拥有很好的泛化性能，也使学习到的特征很好的用于区分类间图像以及类内不同事物的图像。

主权项

1.一种基于多层特征表示的实例级图像搜索方法，其特征在于：包括以下步骤：(1)在网络中选择合适的表示能力强的7个Inception层作为后续特征提取的基础层；(2)对选中的基础层进行特征提取：(21)对数据进行降维：在每个选中的基础inception层的后面进行平均池化和1x1的卷积，对不同Inception层的输出进行降维；(22)对不同Inception层降维后的输出使用混合池化进行进一步的处理，将结果进行融合得到不同Inception层的最终输出256维度的特征向量；(23)选择输入图像中的inception模块的中间七层进行特征提取，产生7个256维单层图像特征，并将7个256维单层图像特征连接在一起产生最终的多层图像特征表；(3)对整个模型进行训练，包括以下几个步骤：(31)使用softmax对网络进行预训练，对不同的选中的Inception层数据降维后的结果添加softmax层进行训练；(32)使用多任务损失函数对模型进行微调训练，对不同层数据降维后的结果添加softmax层进行训练，同时对图像的多层表示结果添加triplet损失函数进行训练。