基于自步学习加权的在线图像哈希检索方法及系统技术方案

本发明专利技术涉及图像哈希检索技术领域，公开了基于自步学习加权的在线图像哈希检索方法及系统，其中方法，包括：基于样本级别和类别级别自步学习加权目标函数以及成对相似性约束目标函数，确定第一总体目标函数；基于哈希函数的目标函数，确定第二总体目标函数；对两个总体目标函数采用迭代优化算法，解决变量的优化问题；第轮目标函数优化结束后，得到最新的哈希函数；采用最新的哈希函数，对第轮流数据进行处理，得到第轮流数据的哈希码；计算第轮流数据的哈希码，与所有流数据哈希码之间的距离，将距离最小的流数据，作为第轮流数据相似的检索结果进行输出。增强哈希函数的鲁棒性和映射能力，提高在线图像哈希检索的效果。

【技术实现步骤摘要】

本专利技术涉及电数字数据处理，特别是涉及基于自步学习加权的在线图像哈希检索方法及系统。

技术介绍

1、在互联网技术和5g通信迅速发展的时期，随着智能设备的广泛普及，互联网上多媒体数据呈现爆炸式增长，对从海量数据中进行准确和快速检索提出了至关重要的挑战。因此，近似最近邻（approximate nearest neighbor，ann）搜索方法，特别是基于哈希学习（learning to hash）的算法，已经获得了令人鼓舞的检索效果，并获得了广泛的关注。由于其独特的能力，即高效的检索速度和低存储成本，哈希学习已成为一种流行的解决方案。哈希的本质在于将高维数据从原始特征空间映射到低维的汉明空间中，形成紧致的二进制哈希码，同时保留相似性信息。然后，通过异或（xor）操作高效地计算查询样本和检索样本哈希码之间的汉明距离并进行相似性排序，汉明距离越小表明数据的相似性越高。

2、尽管基于哈希学习的近似最近邻搜索方法获得了广泛的关注，但是仍然存在一些问题。在许多现实世界的场景中，随着时间的推移，来自社交网络或工业领域生成的数据以流的方式连续到达。然而，大多本文档来自技高网...

【技术保护点】

1.基于自步学习加权的在线图像哈希检索方法，其特征是，包括：

2.如权利要求1所述的基于自步学习加权的在线图像哈希检索方法，其特征是，基于第轮流数据，构建样本级别自步学习加权目标函数，包括：；其中，和分别表示第轮流数据和旧数据样本的自步学习加权；由于和为对角矩阵，和为它们的对角线元素和构成的矩阵,表示第轮流数据元素的个数,表示旧数据元素的个数,和表示对角线元素的平方根构成的对角矩阵；和分别表示第轮流数据和旧数据样本的自步学习加权损失项；和 分别表示对第轮流数据和旧数据样本自步学习加权的正则化项。

3.如权利要求1所述的基于自步学习加权的在线图像哈希检索方法，其特征...

【技术特征摘要】

1.基于自步学习加权的在线图像哈希检索方法，其特征是，包括：

2.如权利要求1所述的基于自步学习加权的在线图像哈希检索方法，其特征是，基于第轮流数据，构建样本级别自步学习加权目标函数，包括：；其中，和分别表示第轮流数据和旧数据样本的自步学习加权；由于和为对角矩阵，和为它们的对角线元素和构成的矩阵,表示第轮流数据元素的个数,表示旧数据元素的个数,和表示对角线元素的平方根构成的对角矩阵；和分别表示第轮流数据和旧数据样本的自步学习加权损失项；和 分别表示对第轮流数据和旧数据样本自步学习加权的正则化项。

3.如权利要求1所述的基于自步学习加权的在线图像哈希检索方法，其特征是，构建类别级别自步学习加权目标函数，包括：；其中，表示第轮流数据类别的自步学习加权矩阵；为矩阵的对角线元素构成的矩阵,表示类别的个数,表示对角线元素的平方根构成的对角矩阵；表示第轮流数据类别的自步学习加权损失项；表示第轮流数据类别的自步学习加权的正则化项。

4.如权利要求1所述的基于自步学习加权的在线图像哈希检索方法，其特征是，在哈希码学习阶段，构建样本之间成对相似性约束目标函数，包括：；其中，表示旧数据的哈希码，是超参数。

5.如权利要求...

【专利技术属性】
技术研发人员：罗昕，张崇宇，陈振铎，许信顺，
申请(专利权)人：山东大学，
类型：发明
国别省市：