深度度量学习图像检索系统优化方法、系统、设备及介质技术方案

本发明专利技术属于深度学习模型领域，公开了一种深度度量学习图像检索系统优化方法、系统、设备及介质，包括获取当前训练所用图片三元组批次，根据预设条件判断本批次图片所采用的扰动方式，根据预设扰动方式生成针对本批三元组对应的对抗扰动，即候选扰动和锚点扰动，前者包含可变向对抗攻击和崩塌关联自适应距离，后者包括距离比重对抗攻击损失函数和排名关系正则项，随后根据现有轮数调整对抗扰动的强度，形成对抗三元组，使用扰动方式对应的损失函数训练深度度量学习模型，一方面解决模型崩塌问题，使得模型良性样本召回率大幅上升，另一方面解决对抗攻击强度不足问题，使得模型鲁棒性得以提高。得以提高。得以提高。

【技术实现步骤摘要】
深度度量学习图像检索系统优化方法、系统、设备及介质


[0001]本专利技术属于深度学习模型领域，涉及一种深度度量学习图像检索系统优化方法、系统、设备及介质。

技术介绍

[0002]图像检索任务是指给定查询图片，查询数据库中与查询图片相似的所有图片，并按照其相似度排序，最终返回最靠前的一个或多个样本。随着当前对于检索任务的需求已从传统的本文检测发展至多模态、乃至跨模态检索，图像检索也愈发引人关注。深度度量学习作为图像检索系统的主要实现方式之一，也因此得以广泛应用。其原理在于利用深度神经网络的学习能力，使得模型习得一个合理的嵌入空间。在此空间内，相似的图片距离较近，而不同的图片距离较远。然而，随着对抗攻击的发现，深度度量学习的脆弱性和鲁棒性问题也逐渐显现。对抗攻击，通常指攻击者通过向良性样本添加人眼难以察觉的微小扰动，使得深度神经网络对该样本的判断产生巨大误差。
[0003]对于基于深度度量学习的图像检索系统，对抗攻击主要通过扰动查询图片在模型习得的嵌入空间上的分布位置，使其更远离相似样本的主要分布，更接近不同样本的主要分布。不同于针对图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度度量学习图像检索系统优化方法，其特征在于，包括：S1：获取图像检索系统当前训练轮次的三元组以及扰动幅度，并根据当前训练轮次的轮数以及上一训练轮次的扰动方式，得到当前训练轮次的扰动方式；S2：当当前训练轮次的扰动方式为候选扰动时，基于所述扰动幅度迭代对抗三元组，至达到第一预设迭代次数或预设的候选扰动目标函数的函数值满足预设要求时，得到对抗三元组；当当前训练轮次的扰动方式为锚点扰动时，基于所述扰动幅度迭代对抗三元组，至达到第二预设迭代次数或预设的锚点扰动目标函数的函数值满足预设要求时，得到对抗三元组；S3：通过对抗三元组，训练图像检索系统的深度度量学习模型；当当前训练轮次的轮数为预设最大轮数时，得到优化的图像检索系统；否则，将下一训练轮次作为当前训练轮次重复S1～S3。2.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述获取图像检索系统当前训练轮次的三元组包括：获取图像检索系统的若干训练样本，并随机选取一个训练样本作为锚点样本；重复选取步骤至正确样本和错误样本的数量均达到预设值：选取步骤：随机选取一个与锚点样本同类别的训练样本作为正确样本，基于正确样本从若干训练样本中选取一个训练样本作为错误样本；其中，正确样本和错误样本满足：锚点样本与错误样本之间的欧氏距离大于锚点样本与正确样本之间的欧氏距离，且锚点样本与错误样本之间的欧氏距离与锚点样本与正确样本之间的欧氏距离之间相差不超过其中，m为当前训练轮次的轮数，M为预设最大轮数；组合锚点样本以及所有正确样本和错误样本，得到当前训练轮次的三元组。3.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述获取图像检索系统当前训练轮次的扰动幅度包括：获取图像检索系统的扰动幅度增加步长；将图像检索系统当前训练轮次的轮数与所述扰动幅度增加步长的乘积，作为图像检索系统当前训练轮次的扰动幅度。4.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述根据当前训练轮次的轮数以及上一训练轮次的扰动方式，得到当前训练轮次的扰动方式包括：当时，或且上一训练轮次的扰动方式为锚点扰动时，当前训练轮次的扰动方式为候选扰动；否则，当前训练轮次的扰动方式为锚点扰动。5.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述候选扰动目标函数l
CAP
为：l
CAP
＝φ(H)+γ(H)；其中，H为三元组的难度，H＝d(A，P)
‑
d(A，N)，A为三元组的锚点样本，P为三元组的正确样本集，N为三元组的错误样本集，d(A，P)为A与P中各正确样本之间欧氏距离的和，d(A，N)为A与N中各错误样本之间欧氏距离的和；当H＞0时，φ(H)＝d(A，P)
‑
d(A，N)；当H＜0时，φ(H)＝d(A，N)
‑
d(A，P)；
当H＞ξ时，当H＜
‑
ξ时，当
‑
ξ＜H＜ξ时，γ(H)＝γ
t
‑1；其中，ξ为预设模型崩塌阈值，γ
t
‑1为上一次迭代扰动时γ(H)的取值，δ为预设距离变化步长，B为三元组中正确样本和错误样本的数量和。6.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述锚点扰动目标函数l
CAP
为：l
CAP
＝l
dw
+Δ
TR
；其中，ReLU为修正线性函数；A为三元组的锚点样本，P为三元组的正确样本集，N为三元组的错误样本集；n
j
为N中第j个错误样本，d(A，n
j
)为A与n
j
...

【专利技术属性】
技术研发人员：蔺琛皓，田奇伟，沈超，李前，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：