[发明专利]基于神经网络自适应的深度哈希图像搜索方法

权利要求书

1.一种基于神经网络自适应的深度哈希图像搜索方法，其特征在于，包括以下步骤：

步骤1：在数据集中对大规模图像进行分类标记；

步骤2：定义搜索空间；

步骤3：通过循环神经网络抽样得到多组卷积神经网络结构模型，循环神经网络的每个时序都会输出一组概率向量，每个概率向量包含了在这一步操作中选取搜索空间中某种组成结构的概率，根据这一概率向量进行随机抽样得到对应卷积神经网络的组成结构进而搭建整体网络结构；

步骤4：分别将抽样得到的卷积神经网络在哈希损失函数的约束下训练至收敛，在验证集上得到mAP值，将它作为强化学习中策略梯度的奖赏值返回至循环神经网络，在之后的迭代过程中，如果遇到了相同的结构，则会利用权值共享直接在验证集上得到mAP值返回来减少训练时间；

步骤5：利用传回的mAP值，使用强化学习中的策略梯度方法和通过反向传播来更新循环神经网络的参数，在更新完成后，在每个时序分别产生新的概率向量，根据新的概率向量随机抽样得到新的多组网络结构，其中反向传播遵循的梯度公式为：

其中T表示控制器时序的总数，同时也表示子网络的总层数，J(θ)表示mAP值的数学期望值，表示梯度，θ表示控制器的参数分布，a_t表示t时序时的抽样结果，P(a_1:T；θ)表示根据控制器的参数产生的1到T时序的概率分布，R表示返回的mAP值，E表示在概率分布P下的数学期望；

步骤6：重复步骤3至5进行迭代，直到达到目标迭代轮数，选取最终神经网络，在训练集上训练至收敛。

2.根据权利要求1所述的基于神经网络自适应的深度哈希图像搜索方法，其特征在于，步骤1中，数据集中的每张图片都有对应的类别标记，对不同的图片打上不同的标记。

3.根据权利要求1所述的基于神经网络自适应的深度哈希图像搜索方法，其特征在于，步骤2中，定义一个搜索空间，其中包含了3×3卷积核、5×5卷积核、跨层连接、最大池化层、平均池化层结构。

4.根据权利要求1所述的基于神经网络自适应的深度哈希图像搜索方法，其特征在于，步骤6中，设置总迭代轮数，重复步骤3至5，直到达到目标迭代轮数后，在抽取的网络中选取一个在验证集上mAP指标最高的网络结构，最后将这一网络结构在训练集上训练至收敛。