[发明专利]一种基于Attention机制和卷积神经网络的快速商标图像检索方法

说明书

本发明公开了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，包括搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；使用FlickrLogos‑32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；基于训练好的添加了Attention网络的VGG16网络模型生成Attention‑MAC商标特征提取模型；基于Attention‑MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。本发明避免使用全连接层冗余的参数，达到精简模型的目的，提高训练和检索的速度，降低误检率。

技术领域

本发明涉及计算机技术领域，特别是涉及一种基于Attention机制和卷积神经网络的快速商标图像检索方法。

背景技术

近年来，随着经济的快速发展，各类商标的注册量在逐年上升。因此，商标检索对于商标注册、管理以及保护具有重要的意义。对于商标注册方，通过商标检索可以及时发现商标注册申请的障碍，如待注册商标是否被他人抢注、是否与现有其他商标在某块区域中存在相似等等。对于商标局，通过商标检索可以智能的得到待注册商标与数据库中已有商标的相似程度，减少了使用人工对比的工作量，提高了工作效率。

传统的商标检测与识别系统包括基于人工标注和对比的数据库图像检索、基于商标图形要素的编码检索、基于图像二值化特征的图像检索、以及基于关键词的检索等。传统方法中对图像的标注和比对需要耗费大量的时间和人力，增加了商标图像检索的成本。随着卷积神经网络的逐渐成熟，利用卷积神经网络对商标图像进行检索和分类成为商标检测与识别系统的新思路。首先使用数据集中的训练图像对模型进行训练，调整各个网络层的权重，之后用测试集中的图像进行测试，最后将测试完成的模型应用于系统。此种方法虽然智能化程度更高，但传统区域卷积神经网络结构复杂，全连接层参数冗余，导致训练过程较慢，需要耗费大量时间和资源；且此种方法中，对于数据集，要求其对类别及定位信息标注完整，然而对于商标局而言，其商标数据库中的图像标注并不完全，因此难以应用于训练。

发明内容

有鉴于此，本发明提供了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，通过将Attention机制与卷积神经网络相结合，并在此基础上去掉全连接层，使用卷积神经网络中间层的输出代表图像的特征表示，提供了一种快速的商标检测方法。

为了实现本发明的上述目的，本发明提供了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，所述方法包括如下步骤：

S1、搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；

S2、基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；

S3、使用FlickrLogos-32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；

S4、基于训练好的添加了Attention网络的VGG16网络模型生成Attention-MAC商标特征提取模型；

S5、基于Attention-MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。

优选地，所述步骤S1包括如下步骤：

S1-1、搭建Caffe深度学习开源框架，使用ImageNet数据集对VGG16网络模型进行预训练；

S1-2、使用FlickrLogos-32数据集中的训练集对预训练得到的VGG16网络模型进行迁移学习的训练。

优选地，所述步骤S2包括如下步骤：