一种利用分类层权重进行检索特征主成分分析的方法技术

本发明专利技术公开了一种利用分类层权重进行检索特征主成分分析的方法。首先构建特征分类网络；然后根据任务准备特定的数据集，将数据域划分为训练集和测试集，利用训练集训练网络，直到网络参数拟合，即特征提取网络能够提取到具有区分性的特征；抽取训练好的网络的分类层的权重矩阵，利用标准主成分分析的方法处理权重矩阵，接着利用奇异值分解的方法求得主成分矩阵；将测试集图像输入训练好的网络提取特征，并用得到的主成分矩阵处理测试图像的特征；利用降维后的图像特征进行图像检索。本发明专利技术利用分类层权重矩阵，在降低特征维度的同时，提高了检索的精确度。提高了检索的精确度。提高了检索的精确度。

【技术实现步骤摘要】
一种利用分类层权重进行检索特征主成分分析的方法


[0001]本专利技术涉及图像检索领域，尤其涉及一种利用分类层权重信息进行检索特征的主成分分析的方法。

技术介绍

[0002]图像检索任务长期以来一直是计算机视觉领域的重要研究课题，其目的是能够在存储量巨大的图像数据库中快速寻找出满足条件图像。图像检索的应用领域十分广泛，如：行人重识别，车辆重识别，交叉视角地理定位等。本专利技术定位于一种比较泛化性的方法，可在大多数的单域检索任务中适用。
[0003]单域的图像检索任务一般只针对一个图像检索数据域。检索的特征提取模型大多通过深度学习的方法进行优化。其具体过程为，首先将一个数据域划分为训练集和测试集，训练集和测试集中的数据没有交叉；然后用训练集训练网络，通过loss函数和反向梯度传播的方法优化模型参数，从而使得网络在测试时仍能够取得理想的检索精度。
[0004]Instance Loss是一种分类loss，常被用于图像检索网络的优化。利用Instance Loss训练优化网络时，需在特征提取网络后面加入一个分类层，通过此分类层，将来自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用分类层权重进行检索特征主成分分析的方法，其特征在于，包括以下步骤：步骤1：构建特征分类网络；特征分类网络由三部分组成：第一部分为ResNet
‑
50网络，用于图像特征的提取；第二部分为图像分类模块，包括BN层，Dropout层和分类层；第三部分为损失计算模块，利用Instance Loss计算损失，从而利用反向梯度传播算法优化网络；步骤2：根据任务准备特定的数据集，获得的数据集称为数据域；在数据域中，图像分为Q个ID，每个ID作为一个类别，一个ID中包含多张图像；将数据域划分为训练集和测试集，训练集包含n个ID，测试集包括g个ID，Q＝n+g；利用训练集训练网络，直到网络参数拟合，即特征提取网络能够提取到具有区分性的特征；步骤3：抽取训练好的网络的分类层的权重矩阵G,G∈R
m
×
n
；利用标准主成分分析的方法处理权重矩阵G，接着利用奇异值分解的方法求得主成分矩阵步骤4：将测试集图像输入步骤2中训练好的网络提取特征，并用步骤3得到的主成分矩阵处理测试图像的特征，从而在降低特征维度的同时，减少了特征的冗余性；步骤5：利用降维后的图像特征进行图像检索。2.根据权利要求1所述的一种利用分类层权重进行检索特征主成分分析的方法，其特征在于，步骤2具体方法如下：训练集中共包含有n个ID，即训练集中的所有图像可被分为n个类别；输入图像通过ResNet
‑
50后，输出的图像特征为m维；分类器的权重矩阵维m*n，m维的图像特征通过分类器后，输出一个n维向量，n维向量中，最大值对应的维度即认为是该图像的类别。3.根据权利要求2所述的一种利用分类层权重进行检索特征主成分分析的方法，其...

【专利技术属性】
技术研发人员：颜成钢，王廷宇，张强，万斌，孙垚棋，张继勇，李宗鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：