[发明专利]多量化深度二值特征学习方法及装置

权利要求书

1.一种多量化深度二值特征学习方法，其特征在于，包括以下步骤：

提取图像的深度实值特征；

通过K个自编码网络对所述图像的深度实值特征进行多量化，以得到量化结果，其中，整体的损失函数为：

其中，J为待优化目标，X为所求实值特征，为第n张图片的实值特征在第k个自动编码器的重构误差，为第k个自动编码器的第l层的投影，U为所有实值特征的均值向量，λ₁、λ₂为不同项的权重；以及

根据所述量化结果对所述图像的深度实值特征进行二值编码，以得到图像的二值特征。

2.根据权利要求1所述的多量化深度二值特征学习方法，其特征在于，所述提取图像的深度实值特征，进一步包括：

将原始的输入图像前传入深度卷积神经网络，以在网络的最后层全连接后得到每一张图像的深度实值特征；

将所述每一张图像的深度实值特征传入降维的全连阶层，以得到低维实值特征。

3.根据权利要求1所述的多量化深度二值特征学习方法，其特征在于，所述通过K个自编码网络对所述图像的深度实值特征进行多量化，进一步包括：

通过K个自编码器对所述图像的深度实值特征分别进行重构，其中，令每个训练样本属于重构误差最小的编码器；

根据第一项损失函数和第二项损失函数，对于每个自编码器，使用属于该自编码器的全部样本对其进行训练，以迭代多步后，对于每个样本使用重构误差最小的编码器的编号作为该样本的量化结果，其中，所述第一项损失函数为最小化K个自编码网络的重构误差，所述第二项损失函数为K个自编码网络参数正则化；

根据第二项损失函数和第三项损失函数，对于深度神经网络的全连接层，使用全部样本对其进行训练，直到最大迭代次数，其中，所述第三项损失函数为最大化特征每一维度方差。

4.根据权利要求3所述的多量化深度二值特征学习方法，其特征在于，所述根据所述量化结果对所述图像的深度实值特征进行二值编码，进一步包括：

对于所述深度实值特征的每一位，将该位赋值为使得该位重构误差最小的自编码器的二进制编号。

5.一种多量化深度二值特征学习装置，其特征在于，包括：

提取模块，用于提取图像的深度实值特征；

多量化模块，用于通过K个自编码网络对所述图像的深度实值特征进行多量化，以得到量化结果，其中，整体的损失函数为：

其中，J为待优化目标，X为所求实值特征，为第n张图片的实值特征在第k个自动编码器的重构误差，为第k个自动编码器的第l层的投影，U为所有实值特征的均值向量，λ₁、λ₂为不同项的权重；以及

编码模块，用于根据所述量化结果对所述图像的深度实值特征进行二值编码，以得到图像的二值特征。

6.根据权利要求5所述的多量化深度二值特征学习装置，其特征在于，所述提取模块具体用于将原始的输入图像前传入深度卷积神经网络，以在网络的最后层全连接后得到每一张图像的深度实值特征，并且将所述每一张图像的深度实值特征传入降维的全连阶层，以得到低维实值特征。

7.根据权利要求5所述的多量化深度二值特征学习装置，其特征在于，所述多量化模块还用于通过K个自编码器对所述图像的深度实值特征分别进行重构，其中，令每个训练样本属于重构误差最小的编码器，并且根据第一项损失函数和第二项损失函数，对于每个自编码器，使用属于该自编码器的全部样本对其进行训练，以迭代多步后，对于每个样本使用重构误差最小的编码器的编号作为该样本的量化结果，以及根据第二项损失函数和第三项损失函数，对于深度神经网络的全连接层，使用全部样本对其进行训练，直到最大迭代次数，其中，所述第一项损失函数为最小化K个自编码网络的重构误差，所述第二项损失函数为K个自编码网络参数正则化，所述第三项损失函数为最大化特征每一维度方差。

8.根据权利要求7所述的多量化深度二值特征学习装置，其特征在于，所述编码模块还用于对于所述深度实值特征的每一位，将该位赋值为使得该位重构误差最小的自编码器的二进制编号。