基于成对比较网络的珠宝相似性度量方法技术

本发明专利技术公开了基于成对比较网络的珠宝相似性度量方法，涉及图片比对技术领域。本发明专利技术包括以下步骤：A、构造成对比较网络的训练数据集，B、建立若干个参数共享的特征提取网络resnet50，C、将resnet50提取的特征图拼接到一起用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数，D、输入一对图像，经过Double Net之后得到0到1之间的相似度。本发明专利技术通过神经网络学习两张图之间的相似性，利用CNN分别提取两张图的特征，然后在用卷积核为(1,1),输出为1个神经元的决策层来学习度量函数的映射关系，方法全部通过卷积层运算，对输入层图像可以为任意大小，提高了比较效率。

【技术实现步骤摘要】
基于成对比较网络的珠宝相似性度量方法
本专利技术属于图片比对
，特别是涉及一种基于成对比较网络的珠宝相似性度量方法。
技术介绍
传统的方法衡量图像之间的相似性是，提取图像的纹理、形状、颜色等几何特征然后拼接成一个向量，两张图像之间的相似度就是用欧式距离、曼哈顿距离、夹角余玄、皮尔逊相关系数等度量函数来衡量。这种方法容易导致度量不准确。卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以大型图像处理。卷积神经网络包括卷积层和池化层。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的Sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。随机深度学习和人工智能技术的发展，将神经网络应用到图像中已经不断完善。在以前的技术中，通常采用的是用卷积神经网络提取图像的特征，然后再用度量函数来衡量相似性。这种方法没有进行端到端的比较，容易导致衡量失败，在本专利技术中采用的是用神经网络来学习两张图像之间的相似性。
技术实现思路
本专利技术的目的在于提供一种基于成对比较网络的珠宝相似性度量方法，通过神经网络学习两张图之间的相似性，利用CNN分别提取两张图的特征，然后再用卷积核为(1,1),输出为1个神经元的决策层来学习度量函数的映射关系，解决了传统技术中先用卷积神经网络提取图像的特征，再用度量函数来衡量相似性，容易导致衡量失败的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为基于成对比较网络的珠宝相似性度量方法，包括如下步骤：步骤SS001构造成对比较网络的训练数据集；步骤SS002建立若干个参数共享的特征提取网络resnet50；步骤SS003将resnet50提取的特征图拼接到一起用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数；步骤SS004输入一对图像，经过DoubleNet之后得到0到1之间的相似度。优选地，所述步骤SS001中，训练数据集包括构造训练集、构造验证集和构造测试集。优选地，所述步骤SS003中，卷积层(kernel＝(2,2)，output＝1)用Sigmoid函数激活，其中，Sigmoid函数可以表示为：优选地，所述步骤SS004中，度量值在0到1之间；其中，相似值越接近1，则表示两张图片越相似。本专利技术具有以下有益效果：本专利技术通过神经网络学习两张图之间的相似性，利用CNN分别提取两张图的特征，然后在用卷积核为(1,1),输出为1个神经元的决策层来学习度量函数的映射关系，方法全部通过卷积层运算，对输入层图像可以为任意大小，提高了比较效率。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的基于成对比较网络的珠宝相似性度量方法的步骤图；图2为本专利技术的基于成对比较网络的珠宝相似性度量方法的流程图；图3为本专利技术的应用效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1所示，本专利技术为基于成对比较网络的珠宝相似性度量方法，包括如下步骤：步骤SS001构造成对比较网络的训练数据集，相似的数据打上标签1，不相似的数据打上标签0；步骤SS002建立两个参数共享的特征提取网络resnet50，resnet为当前最火的卷积神经网络结构，通过对每一层做一个reference学习形成残差函数，容易优化，又加大了网络层数；步骤SS003将resnet50提取的特征图拼接到一起用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数；步骤SS004输入一对图像，经过DoubleNet之后得到0到1之间的相似度。请参阅图2所示，本专利技术为基于成对比较网络的珠宝相似性度量方法，其中，步骤SS001中，训练数据集包括构造训练集、构造验证集和构造测试集；因为珠宝的首饰类型可以分为5大类别：项链、手链、手镯、耳饰和戒子，且它们的数量分别为n1，n2，n3，n4和n5，将这5类据集分别进行10等分，且每等分的数据是n＝max(n1/10,n2/10,n3/10,n4/10,n5/10),当某个类别某一等分的数据不够时，直接随机的在该类别的总数据量随机挑选；将每一类其中8等分作为构造训练集的基础数据集，1等分作为构造验证集的基础数据集，1等分作为构造测试集的基础数据集。对于每一等分，随机的挑选k1个作为代表元，分别与不同类别的n组对，标签是0，与相同类别的n组对，标签是1。其中，步骤SS003中，卷积层(kernel＝(2,2)，output＝1)用Sigmoid函数激活，其中，Sigmoid函数可以表示为：Sigmoid函数是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间，Sigmoid函数具有以下性质：当x趋近于负无穷时，y趋近于0；当x趋近于正无穷时，y趋近于1；当x＝1/2时，y＝0。其中，步骤SS004中，度量值在0到1之间；其中，相似值越接近1，则表示两张图片越相似。请参阅图3所示，本专利技术为基于成对比较网络的珠宝相似性度量方法的应用效果图，训练集的数量是3061125对，验证集是204075对，测试集是204075对。新的一对图像输入到网络中，当网络预测的值大于0.5时直接返回该对图像的标签是1，反之返回0。测试集通过网络预测与人工打的标签比较的正确率是0.968，验证集的正确率是0.945，测试集的正确率是0.923.当输入下面一对图像时，网络的返回值时0.9878。值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本专利技术的保护范围。另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。以上公开的本专利技术优选实施例只是用于帮助阐述本专利技术。优选实施例并没有详尽本文档来自技高网...

【技术保护点】
基于成对比较网络的珠宝相似性度量方法，其特征在于，包括如下步骤：步骤SS001构造成对比较网络的训练数据集；步骤SS002建立若干个参数共享的特征提取网络resnet50；步骤SS003将resnet50提取的特征图拼接到一起用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数；步骤SS004输入一对图像，经过Double Net之后得到0到1之间的相似度。

【技术特征摘要】
1.基于成对比较网络的珠宝相似性度量方法，其特征在于，包括如下步骤：步骤SS001构造成对比较网络的训练数据集；步骤SS002建立若干个参数共享的特征提取网络resnet50；步骤SS003将resnet50提取的特征图拼接到一起用卷积层学习之间的相似度映射，并且激活函数采用Sigmoid函数；步骤SS004输入一对图像，经过DoubleNet之后得到0到1之间的相似度。2.根据权利要求1所述的基于成对比较网络的珠宝相似性度量方法，其特征在...

【专利技术属性】
技术研发人员：马阳玲，杨周旺，王康，王士玮，
申请(专利权)人：合肥阿巴赛信息科技有限公司，
类型：发明
国别省市：安徽,34