距離向量中的數(shù)值按從小到大的順序進(jìn)行排序，按順序輸出對(duì)應(yīng)的原 始圖像，得到圖像檢索結(jié)果。
[0030] 實(shí)施例二，參見(jiàn)圖1所示，一種基于深度學(xué)習(xí)和哈希的圖像檢索方法，具體包含如 下步驟：
[0031] 步驟1.將圖像數(shù)據(jù)集及其對(duì)應(yīng)的類別標(biāo)簽信息分別對(duì)應(yīng)分成兩部分，一部分作為 訓(xùn)練樣本集，另一部分作為測(cè)試樣本集，其中，訓(xùn)練樣本集和測(cè)試樣本集中每個(gè)樣本均包括 一張圖像及對(duì)應(yīng)的類別標(biāo)簽；
[0032] 步驟2.構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)包含卷積子網(wǎng)絡(luò)、哈 希層、損失層，卷積子網(wǎng)絡(luò)包括多個(gè)卷積層，池化層和全連接層，用于學(xué)習(xí)圖像特征，哈希層 包括全連接層、激活層和閾值化層，用于學(xué)習(xí)哈希函數(shù)的構(gòu)建并得到輸入圖像的哈希碼，損 失層包括Softmax分類器損失模塊和量化誤差損失模塊，損失層損失函數(shù)為L(zhǎng) lciss = Ls〇ftmaxLoss+XLq，其中，LsoftmaxL(3ss為S〇ftmaX分類器損失t旲塊的誤差損失，Lq為量化誤差損失 模塊的誤差損失，λ為權(quán)重因子，輸入圖像通過(guò)卷積子網(wǎng)絡(luò)得到圖像特征 x(1)，進(jìn)入哈希層， 假設(shè)需要生成哈希碼的長(zhǎng)度為q，全連接層將圖像特征x(1)映射為q維向量，即f(x (1))=Wx (1)，其中，W表示全連接層的參數(shù)矩陣;激活成使用雙正切激活函數(shù)將q維向量映射為值域在 【-1，1】之間的9維向量，_
_中，v = f(x(1))，參數(shù)β用于控制平滑度；閾值 化層將激活層的值進(jìn)行量化，^ ，s = tanh(f(x(1)))，閾值化層的輸出為二 進(jìn)制哈希碼，用于獲得激活層輸出的連續(xù)值與閾值化層輸出的哈希碼之間誤差損失
其中，h = g(tanh(f (xw)))為閾值化層輸出的哈希碼，x = tanh(f (xw))為 激活層輸出的連續(xù)值;Softmax分類器的誤差損失為
其中1{.}為示性函數(shù)，1 {值為真的表達(dá)式} = 1，參數(shù)9j( j = l，2,…k)是softmax回歸的參 數(shù)，y(1)是圖像的類別標(biāo)簽。卷積子網(wǎng)絡(luò)可以使用AlexNet模型、NIN(Network in Network) 模型、VGG模型等；
[0033] 步驟3.利用訓(xùn)練樣本集，依據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，得到深度卷積神經(jīng)網(wǎng)絡(luò)模 型，深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)參數(shù)根據(jù)實(shí)際使用需求可以使用基于開(kāi)源Caffe進(jìn)行訓(xùn)練學(xué)習(xí)；
[0034] 步驟4.根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練樣本集和測(cè)試樣本集中的每張圖像作 為輸入，得到訓(xùn)練樣本集的哈希碼Htrain和測(cè)試樣本集的哈希碼H test，閾值化層的輸出即為 該圖像的哈希碼；
[0035] 步驟5.從Htest取一個(gè)測(cè)試圖像的哈希碼Ht，計(jì)算該哈希碼Ht與訓(xùn)練樣本集哈希碼 Htrain之間的漢明距離，得到漢明距離向量；
[0036] 步驟6.漢明距離向量中的數(shù)值按從小到大的順序進(jìn)行排序，按順序輸出對(duì)應(yīng)的原 始圖像，得到圖像檢索結(jié)果。
[0037] 本發(fā)明利用深度卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，提取圖像深層特征，克服現(xiàn)有技 術(shù)中利用圖像底層特征而導(dǎo)致特征表達(dá)能力不強(qiáng)、檢索精度低的問(wèn)題;并引入哈希層構(gòu)造 哈希函數(shù)，將圖像深度特征的學(xué)習(xí)和哈希函數(shù)的構(gòu)造在同一過(guò)程中完成，挖掘圖像特征與 哈希函數(shù)內(nèi)在關(guān)系，大大提高圖像檢索準(zhǔn)確率;將量化誤差的損失加入到深度卷積神經(jīng)網(wǎng) 絡(luò)的損失層，增強(qiáng)了哈希碼的表達(dá)能力，通過(guò)Softmax分類器損失模塊和量化誤差損失模 塊，有效降低哈希函數(shù)中的二值化造成的量化誤差，進(jìn)一步提高圖像檢索的準(zhǔn)確率。
[0038] 本發(fā)明并不局限于上述【具體實(shí)施方式】，本領(lǐng)域技術(shù)人員還可據(jù)此做出多種變化， 但任何與本發(fā)明等同或者類似的變化都應(yīng)涵蓋在本發(fā)明權(quán)利要求的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于深度學(xué)習(xí)和哈希的圖像檢索方法，具體包含如下步驟： 步驟1.將圖像數(shù)據(jù)集及其對(duì)應(yīng)的類別標(biāo)簽信息分別對(duì)應(yīng)分成兩部分，一部分作為訓(xùn)練 樣本集，另一部分作為測(cè)試樣本集，其中，訓(xùn)練樣本集和測(cè)試樣本集中每個(gè)樣本均包括一張 圖像及對(duì)應(yīng)的類別標(biāo)簽； 步驟2.構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)包含卷積子網(wǎng)絡(luò)、哈希層、 損失層，卷積子網(wǎng)絡(luò)用于學(xué)習(xí)圖像特征，哈希層包括全連接層、激活層和闊值化層，用于學(xué) 習(xí)哈希函數(shù)的構(gòu)建并得到輸入圖像的哈希碼，損失層包括Softmax分類器損失模塊和量化 誤差損失模塊； 步驟3.利用訓(xùn)練樣本集，依據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，得到深度卷積神經(jīng)網(wǎng)絡(luò)模型； 步驟4.根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練樣本集和測(cè)試樣本集中的每張圖像作為輸 入，得到訓(xùn)練樣本集的哈希碼Htrain和測(cè)試樣本集的哈希碼Htest; 步驟5.從Htest取一個(gè)測(cè)試圖像的哈希碼Ht,計(jì)算該哈希碼Ht與訓(xùn)練樣本集哈希碼Htrain 之間的漢明距離，得到漢明距離向量； 步驟6.漢明距離向量中的數(shù)值按從小到大的順序進(jìn)行排序，按順序輸出對(duì)應(yīng)的原始圖 像，得到圖像檢索結(jié)果。2. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和哈希的圖像檢索方法，其特征在于：步驟2中 卷積子網(wǎng)絡(luò)包括多個(gè)卷積層，池化層和全連接層。3. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和哈希的圖像檢索方法，其特征在于:步驟2中， 輸入圖像通過(guò)卷積子網(wǎng)絡(luò)得到圖像特征xW，進(jìn)入哈希層，假設(shè)需要生成哈希碼的長(zhǎng)度為q， 全連接層將圖像特征xW映射為q維向量，即f(xW) 其中，W表示全連接層的參數(shù)矩 陣；激活成使用雙正切激活函數(shù)將q維向量映射為值域在[-1,1]之間的q維向量，即，其中，v = f(xW)，參數(shù)0用于控制平滑度；闊值化層將激活層的值進(jìn)行量 化，茲詩(shī)-其中，S =化nMfUW))，闊值化層的輸出為二進(jìn)制哈希碼。4. 根據(jù)權(quán)利要求1中所述的基于深度學(xué)習(xí)和哈希的圖像檢索方法，其特征在于：步驟2 中的量化誤差損失模塊，用于獲得激活層輸出的連續(xù)值與闊值化層輸出的哈希碼之間誤差 損失其中，h = g(tanh(f (x(i>))為闊值化層輸出的哈希碼，X = tanh(f (X W))為激活層輸出的連續(xù)值。5. 根據(jù)權(quán)利要求1或4所述的基于深度學(xué)習(xí)和哈希的圖像檢索方法，其特征在于:損失 層損失函數(shù)為L(zhǎng)loss = LsoftmaxLoss+化9,其中為 Softmax分類器損失模塊的誤差損失，Lq為量化誤差損失模塊的誤差損失，A為權(quán)重因子。
【專利摘要】本發(fā)明涉及一種基于深度學(xué)習(xí)和哈希的圖像檢索方法，利用深度卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，提取圖像深層特征，克服現(xiàn)有技術(shù)中利用圖像底層特征而導(dǎo)致特征表達(dá)能力不強(qiáng)、檢索精度低的問(wèn)題；并引入哈希層構(gòu)造哈希函數(shù)，將圖像深度特征的學(xué)習(xí)和哈希函數(shù)的構(gòu)造在同一過(guò)程中完成，挖掘圖像特征與哈希函數(shù)內(nèi)在關(guān)系，大大提高圖像檢索準(zhǔn)確率；將量化誤差的損失加入到深度卷積神經(jīng)網(wǎng)絡(luò)的損失層，增強(qiáng)了哈希碼的表達(dá)能力，通過(guò)Softmax分類器損失模塊和量化誤差損失模塊，有效降低哈希函數(shù)中的二值化造成的量化誤差，進(jìn)一步提高圖像檢索的準(zhǔn)確率。
【IPC分類】G06F17/30
【公開(kāi)號(hào)】CN105512289
【申請(qǐng)?zhí)枴緾N201510901348
【發(fā)明人】張晨民, 趙慧琴, 彭天強(qiáng)
【申請(qǐng)人】鄭州金惠計(jì)算機(jī)系統(tǒng)工程有限公司
【公開(kāi)日】2016年4月20日
【申請(qǐng)日】2015年12月7日