面向智慧油田的大规模图像深度大间隔监督哈希检索方法及系统技术方案

本发明专利技术公开一种面向智慧油田的大规模图像深度大间隔监督哈希检索方法及系统，包括：将初始化的训练图像数据集进行打乱；若训练轮次iter大于中心损失使能轮次IterThres，则中心损失权重λ为λ<subgt;0</subgt;；否则，将其置为0。判断当前轮次内是否有训练图像数据需要计算，若是，从打乱后的训练图像数据集中选取若干张图像，基于图像类别对选取的图像进行处理，获取CNN网络损失函数并进行反向传播；若否，训练轮次iter+1，并更新类中心；判断训练轮次是否小于最大迭代次数MaxIter；若是，不断更新CNN网络损失函数，若否，获取训练图像的哈希码。本发明专利技术基于不同权重和类别图像获取CNN网络损失函数，采取与图像分类一样的单点模式，不需要挑选元组；本发明专利技术收敛速度快，检索精度高的特点。

【技术实现步骤摘要】

本专利技术属于图像处理，涉及一种面向智慧油田的大规模图像深度大间隔监督哈希检索方法及系统。

技术介绍

1、为了提高智慧油田的建设，提升智能化的精准度，不可避免的需要对海量的图像、视频等视觉数据进行高效处理，如无人机巡检、无人值守站场的图像与视频。有效的管理、查询这些丰富、直观的视觉信息显得尤为重要。因此，作为实现大规模图像数据库管理、查询的重要技术——图像检索已经成为了智慧油田智能化程度的一个标志。

2、基于内容的图像检索技术旨在图像数据库中搜索与查询图像相似的图像，在诸如搜索引擎、电子商务、医疗系统等领域应用广泛。近年来，能反映图像高层语义的深度特征被运用到图像检索任务中，且取得了很好的效果。因此，人们将深度卷积神经网络与哈希学习整合为统一框架，提出了深度监督哈希技术。该技术减小了语义鸿沟，大幅提高了检索精度。

3、现有的深度哈希技术大体可分为基于度量学习的方法与基于分类的方法，前者通过大量二元、三元组学习样本间的语义关系；后者将哈希学习嵌入在深度分类网络内。然而两者都存在相应的不足，基于度量的深度哈希方法收敛速度慢以及基于分类的本文档来自技高网...

【技术保护点】

1.面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，包括：

2.根据权利要求1所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述训练图像数据集为X＝{x1,...,xL}，训练图像数据集对应的标签集为Y＝{y1,...,yL}，所述CNN网络的参数为最大迭代次数MaxIter，批次大小BatchSize，中心损失使能轮次IterThres。

3.根据权利要求2所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述基于图像类别对图像进行处理，具体为：

4.根据权利要求3所述的面向智慧油田的大规模...

【技术特征摘要】

1.面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，包括：

2.根据权利要求1所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述训练图像数据集为x＝{x1,...,xl}，训练图像数据集对应的标签集为y＝{y1,...,yl}，所述cnn网络的参数为最大迭代次数maxiter，批次大小batchsize，中心损失使能轮次iterthres。

3.根据权利要求2所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述基于图像类别对图像进行处理，具体为：

4.根据权利要求3所述的面向智...

【专利技术属性】
技术研发人员：范磊，夏小芳，李东阳，李丹平，张娟涛，寇迪，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：