基于贪心非对称损失的深度有监督哈希检索方法及其系统技术方案

本发明专利技术公开了基于贪心非对称损失的深度有监督哈希检索方法及其系统，包括：输入待查询图像；待查询图像通过哈希特征提取网络进行深度特征提取，并利用深度哈希函数得到待查询图像哈希码；计算待查询图像哈希码与哈希码数据库中所有二值化哈希码之间的汉明距离，将汉明距离最小的二值化哈希码对应的数据库图像作为待查询图像的检索结果。训练哈希特征提取网络过程中，贪心非对称损失函数以非对称方式训练哈希特征提取网络，并使用交替优化策略迭代更新哈希特征提取网络的参数。本发明专利技术解决了现有基于卷积神经网络深度有监督哈希图像检索方法中训练数据利用不充分问题以及离散优化问题。化问题。化问题。

【技术实现步骤摘要】
基于贪心非对称损失的深度有监督哈希检索方法及其系统


[0001]本专利技术涉及基于贪心非对称损失的深度有监督哈希检索方法及系统，属于计算机视觉与图像检索


技术介绍

[0002]随着图像数据的爆炸性增长，如何从海量数据中寻找所需要的信息已经成为一个至关重要的问题。在大规模图像检索中，哈希检索方法在计算和存储方面具有高效性。图像哈希特征在图像检索中不仅可以保持较高检索精度，同时能满足大规模检索的速度要求，因此基于哈希特征的近似最近邻搜索方法受到了广泛关注并被应用于各类大规模图像检索系统中。
[0003]根据图像特征提取方式的不同，通常可以将哈希检索方法分为基于手工特征的传统哈希方法和基于深度特征的深度哈希方法。深度哈希方法通过将图像送入卷积神经网络中，来学习得到更能保留图像底层信息的深度特征，因此基于深度特征的哈希检索方法应用最为广泛。大多数深度哈希方法采用对称策略训练网络，该方法可以实现高精度查询，但由于采用对称策略训练过程中需要大量的计算和存储成本，以及存在离散优化问题，因此如何更加高效地训练网络和解决离散优化问题成为当前的研本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于贪心非对称损失的深度有监督哈希检索方法，其特征在于，包括：输入待查询图像；待查询图像通过哈希特征提取网络进行深度特征提取，并利用深度哈希函数得到待查询图像哈希码；计算待查询图像哈希码与哈希码数据库中所有二值化哈希码之间的汉明距离，将汉明距离最小的二值化哈希码对应的数据库图像作为待查询图像的检索结果。2.根据权利要求1所述的基于贪心非对称损失的深度有监督哈希检索方法，其特征在于，哈希码数据库包括数据库图像的二值化哈希码；数据库图像的二值化哈希码通过以下步骤得到：在训练哈希特征提取网络过程中，数据库图像的二值化哈希码通过贪心非对称损失函数直接学习得到，数据库图像的二值化哈希码随着训练哈希特征提取网络迭代更新。3.根据权利要求2所述的基于贪心非对称损失的深度有监督哈希检索方法，其特征在于，训练哈希特征提取网络，包括：获取数据库图像；选取训练图像以及训练图像的标签信息构建训练集；基于训练图像的标签信息，构建训练图像和数据库图像之间的相似矩阵；将训练图像输入预训练的卷积神经网络中进行哈希特征提取，得到训练图像的哈希码；利用训练图像的哈希码和相似矩阵，贪心非对称损失函数以非对称方式训练哈希特征提取网络，并使用交替优化策略迭代更新哈希特征提取网络的参数；满足预设的最大迭代次数后，输出获得最终的哈希特征提取网络。4.根据权利要求2所述的基于贪心非对称损失的深度有监督哈希检索方法，其特征在于，贪心非对称损失函数为：L＝L1+λL2，其中，L表示贪心非对称损失函数；L1表示贪心损失；L2表示非对称损失；λ表示L1和L2之间的权重。5.根据权利要求4所述的基于贪心非对称损失的深度有监督哈希检索方法，其特征在于，非对称损失L2计算公式为：其中，表示m个训练图像的哈...

【专利技术属性】
技术研发人员：苗壮，赵昕昕，李阳，王家宝，张睿，李航，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：