[发明专利]一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法

权利要求书

1.一种基于多任务学习深度语义哈希的快速图像检索模型构建方法，具体方法包括，

S1，收集大量的训练图片，并进行图片类别标注；调整所有图片的大小到一个固定尺寸；将整个数据库随机划分成三个集合：查询集、数据库集和训练集；

S2：构建一个哈希学习网络，对所构建的哈希学习网络进行参数初始化；在哈希学习网络的最后添加损失层网络的损失函数J定义如下：

J＝NJ_cl+λJ_re

其中N代表训练集图像的总数，λ表示超参数以平衡用于分类任务的COCO损失J_cl及检索任务的成对损失J_re；对于单标签情形，采用下面的损失函数形式用于分类任务哈希码的学习：

其中u_i表示网络最后一层经过tanh(·)激活函数的输出，Y表示训练样本的标签矩阵，L表示类别数目，c_k表示第k类的中心；对于多标签情形，采用下面的损失函数形式用于分类任务哈希码的学习：

其中C＝[c₁,c₂,…,c_L]表示在单标签情形下的原类别中心，表示给定的第i张图片的新的语义中心；针对检索任务，采用下面的成对损失形式：

其中S∈{-1,1}^N×N表示相似性矩阵，表示两张图片的汉明相似性；

S3，将训练图片的RGB三个通道分别减去一个恒定的值作归一化处理；将归一化后的图片输入网络，经过最后tanh(·)激活函数的输出得到近似二值码的特征表示其中K表示哈希码的码长；对于单标签情形，计算损失函数对u_i的偏导数

其中对于多标签情形，计算损失函数对u_i的偏导数

其中

利用反向传播算法，求得损失函数对网络参数Θ的偏导数；网络参数的更新使用梯度下降算法；对于语义中心的更新，分成单标签情形与多标签情形两种情况进行讨论；对于单标签情形，语义中心C＝[c₁,c₂,…,c_L]的更新，写成如下闭式解形式：

对于多标签情形，语义中心C＝[c₁,c₂,…,c_L]，可以采用如下加权平均的方式：

S4，网络模型训练完成后，将数据库集图片按照S3归一化后输入训练好的哈希网络；将哈希网络最后的损失层替换成逐元素的sign(·)函数层，输出最终数据库图像的哈希码：

b_d＝sign(F(x_d；Θ))＝sign(u_d)

利用训练集作为查询图片，计算查询的平均精度；按照交叉验证的原则，调整学习率、超参数λ的数值；按照调整后的参数，重复S2和S3对哈希网络进行重新训练。

2.根据权利要求1所述的图像检索模型构建方法，所述方法还包括，将查询集图片按照S3归一化后，输入经过参数调优后的哈希网络，得到查询集图像的哈希码；计算查询的平均精度。

3.一种基于多任务学习深度语义哈希的快速图像检索模型，在权利要求1或2所述的图像检索模型构建方法上构建实现，包括，

图像检索输入接口，接收要进行检索的图片；

检索图像归一化处理模块，将检索图像的RGB三个通道分别减去设定的恒定的值作归一化处理；

深度语义称哈希处理，对归一化处理后的图像进行深度语义称哈希处理，得到图像的哈希码。

4.一种基于多任务学习深度语义哈希的快速图像检索方法，在权利要求3所述的图像检索模型的基础上实现，包括，

输入要检索的图片，将检索图像的RGB三个通道分别减去设定的恒定的值作归一化处理；对归一化处理后的图像进行深度语义哈希处理，得到图像的哈希码。