一种基于相关滤波的图像哈希索引构建方法、系统及设备技术方案

本发明专利技术涉及一种基于相关滤波的图像哈希索引构建方法及系统，方法包括：对图像数据集进行数据预处理得到相似矩阵，并将预处理后的图像数据集划分为训练样本集和测试样本集；利用FPN特征金字塔网络和MLP多层感知器构建深度卷积网络；定义成对语义损失函数和分类损失函数，并根据所述成对语义损失函数和分类损失函数构建协作学习框架，形成损失层；根据所述损失层和所述深度卷积网络构建深度网络哈希模型；利用所述训练样本集对所述深度网络哈希模型进行模型优化；利用所述测试样本集对优化后的所述深度网络哈希模型进行测试并生成索引。本发明专利技术能在利用图片多尺度信息的同时兼顾到图片的语义信息和潜在空间信息，从而使得最终得到的哈希二值码更准确。

【技术实现步骤摘要】
一种基于相关滤波的图像哈希索引构建方法、系统及设备
本专利技术涉及深度监督哈希图像检索领域，尤其涉及一种基于相关滤波的图像哈希索引构建方法、系统及设备。
技术介绍
传统的监督哈希方法利用手动设计的特征来学习哈希函数，将特征学习过程和哈希学习过程分为两个独立的阶段。因此，哈希编码过程与特征提取过程不是最优兼容的。并且，现有的深度监督哈希算法大多侧重于哈希码的生成，而忽略了对象在图像中的空间位置。目前，一些监督哈希方法试图利用对象的潜在属性，如注意力机制、多尺度属性或对象边界框/掩膜来捕捉细微的差异，用于细粒度图像检索。虽然在实际的图像检索中，需要更多地关注有利于检索的目标区域，但是，对象边界框/掩膜的注释需要花费大量的时间和精力。此外，基于注意力和多尺度的哈希方法主要利用单模态视觉特征来解决判别区域定位问题，所以MAP平均准确率较低。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足提供一种基于相关滤波的图像哈希索引构建方法、系统及设备，能在利用图片多尺度信息的同时兼顾到图片的语义信息和潜在空间信息。...

【技术保护点】
1.一种基于相关滤波的图像哈希索引构建方法，其特征在于，包括：/n对图像数据集进行数据预处理得到相似矩阵S，并将预处理后的图像数据集划分为训练样本集和测试样本集；/n利用FPN特征金字塔网络和MLP多层感知器构建深度卷积网络；定义成对语义损失函数和分类损失函数，并根据所述成对语义损失函数和分类损失函数构建协作学习框架，形成损失层；根据所述损失层和所述深度卷积网络构建深度网络哈希模型；/n利用所述训练样本集对所述深度网络哈希模型进行模型优化；利用所述测试样本集对优化后的所述深度网络哈希模型进行测试并生成索引。/n

【技术特征摘要】
1.一种基于相关滤波的图像哈希索引构建方法，其特征在于，包括：
对图像数据集进行数据预处理得到相似矩阵S，并将预处理后的图像数据集划分为训练样本集和测试样本集；
利用FPN特征金字塔网络和MLP多层感知器构建深度卷积网络；定义成对语义损失函数和分类损失函数，并根据所述成对语义损失函数和分类损失函数构建协作学习框架，形成损失层；根据所述损失层和所述深度卷积网络构建深度网络哈希模型；
利用所述训练样本集对所述深度网络哈希模型进行模型优化；利用所述测试样本集对优化后的所述深度网络哈希模型进行测试并生成索引。


2.如权利要求1所述的基于相关滤波的图像哈希索引构建方法，其特征在于，所述深度卷积网络包括：卷积层、池化层和全连接层；所述利用FPN特征金字塔网络和MLP多层感知器构建深度卷积网络，包括：
卷积层：通过FPN特征金字塔网络获取所述训练样本集中图像的图像特征；通过MLP多层感知器构建标签嵌入网络，通过所述标签嵌入网络处理所述训练样本集图片的语义标签向量，生成标签嵌入向量；将所述标签嵌入向量整合为256ⅹ1ⅹ1的滤波器，利用所述滤波器对所述图像特征进行相关滤波，得到特征图；
池化层：对所述特征图进行全局平均池化后拼接成1024维特征向量；
全连接层：将所述1024维特征向量送入r维全连接层，得到r维全连接层输出F(I；θ)，将所述1024维特征向量送入L维全连接层，得到L维全连接层输出g，其中，θ为深度网络模型的整体参数，I表示训练样本集的图像。


3.如权利要求2所述的基于相关滤波的图像哈希索引构建方法，其特征在于，所述成对语义损失函数为：






其中，bi，bj分别表示第i张图像Ii和第j张图像Ij的哈希码；成对语义损失为J1，Sij为所述相似矩阵中第i行第j列的元素，n为训练样本集的图像数量，F是范数的计算。


4.如权利要求2所述的基于相关滤波的图像哈希索引构建方法，其特征在于，所述成对语义损失函数为：



s.t.U＝tanh(F(I；θ)),B∈{-1,+1}r×n
其中，bi表示第i张图像Ii的哈希码；成对语义损失为J1，n为训练样本集的图像数量，F为数学符号是范数的计算，U为中间变量，α为超参数。


5.如权利要求4所述的基于相关滤波的图像哈希索引构建方法，其特征在于，利用所述训练样本集对所述深度网络哈希模型进行模型优化包括：
当θ固定时，B的次优化过程J(B)为：

【专利技术属性】
技术研发人员：马雷，罗心怡，刘红，李璇，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42