【技术实现步骤摘要】
本专利技术涉及深度学习图像处理，特别是涉及一种基于深度哈希的特征提取检索方法和装置。
技术介绍
1、随着电子通信技术的飞速发展，互联网上的信息量成倍增长。每秒钟，数以百万计的图像被用户传送到各种海量存储设备中，这给图像检索领域带来了巨大的挑战。
2、当给定查询图像时，大规模图像检索的任务是利用图像特征从百万级别的图像数据库中快速找到一定数量的图像。传统的基于树的检索方法通常使用复杂度较高的相似性度量，如欧氏距离，来计算特征之间的距离，在处理低维数据时表现出良好的性能。然而，当数据量达到上百万甚至上亿，特征维度越来越高时，容易产生维数灾难，计算效率急剧下降。为此，提出了一种基于哈希编码的近似最近邻(ann)搜索方法，该方法将原始空间中的高维向量转化为汉明空间中的二进制编码。此外，哈希码由于比特数少，距离计算简单，可以显著提高存储和检索效率。通常，哈希学习的目标是生成保持原始数据相似性的二进制编码。
3、近年来，基于深度学习的哈希方法由于其在特征表示和哈希编码上有效的端到端学习而被广泛应用于anns中，其目的是利用深...
【技术保护点】
1.一种基于深度哈希的特征提取检索方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度哈希的特征提取检索方法，其特征在于，所述神经网络模型的训练过程如下：
3.根据权利要求2所述的基于深度哈希的特征提取检索方法，其特征在于，所述图像增强操作包括图像的旋转操作和/或缩放操作。
4.根据权利要求2所述的基于深度哈希的特征提取检索方法，其特征在于，所述第一损失函数L1为：其中，bi1表示第一训练图像中第i个样本的哈希编码的连续值，bi2表示第二训练图像中第i个样本的哈希编码的连续值，n为训练数据集中的样本数量。
...
【技术特征摘要】
1.一种基于深度哈希的特征提取检索方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度哈希的特征提取检索方法，其特征在于，所述神经网络模型的训练过程如下：
3.根据权利要求2所述的基于深度哈希的特征提取检索方法，其特征在于，所述图像增强操作包括图像的旋转操作和/或缩放操作。
4.根据权利要求2所述的基于深度哈希的特征提取检索方法，其特征在于，所述第一损失函数l1为：其中，bi1表示第一训练图像中第i个样本的哈希编码的连续值，bi2表示第二训练图像中第i个样本的哈希编码的连续值，n为训练数据集中的样本数量。
5.根据权利要求2所述的基于深度哈希的特征提取检索方法，其特征在于，所述第二损失函数l2为第一训练图像中第i个样本的哈希编码的连续值bi1与第一训练图像中第i个样本的哈希编码的连续值bi1的转置做内积后与所述第一训练图像中第i个样本的标签的二进制表示作差。
6.根据权利要求2所述的基于深度哈希的特...
【专利技术属性】
技术研发人员：杨谋德，覃荣华，何光辉，李宝清，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。