[发明专利]基于神经网络自适应的深度哈希图像搜索方法

说明书

本发明公开了强化学习及深度学习领域的一种基于神经网络自适应的深度哈希图像搜索方法，首先在数据集中对大规模图像进行分类标记，然后通过定义搜索空间，利用循环神经网络抽样得到多组卷积神经网络结构模型，随后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并得到mAP值，然后利用传回的mAP值，使用强化学习中的策略梯度方法同时通过反向传播来更新循环神经网络的参数，在达到目标迭代数目后，最后选取了最终的神经网络结构，本发明解决了在大规模图像检索过程中，传统深度哈希方法应用图像分类卷积神经网络而不是适应于深度哈希任务的神经网络所导致的性能欠佳的问题，有效提高了神经网络结构的设计效率，减少了计算开销。

技术领域

本发明涉及一种网络搜索方法，具体的说是一种基于神经网络自适应的深度哈希图像搜索方法，属于强化学习及深度学习领域。

背景技术

现代互联网面临海量的图像数据，需要对大规模的图像数据进行快速检索。传统的图像检索方法存在检索速度慢和消耗大量存储空间的问题。哈希算法实现了图像的二值化，利用哈希码来快速检索图像，在大大减少了时间和存储空间的损耗的同时，也拥有较高的精度。但传统的哈希方法通常通过手工提取图像特征，无法实现端到端的优化，在图像检索的精度方面有所欠缺。深度学习的提出解决了这一问题，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习采用特征学习和分层特征提取的高效算法来替代手工获取特征，同时可端到端更新自身网络参数进行优化。

随着深度学习的发展，结合了深度学习和传统哈希方法的深度哈希方法已成为被广泛使用的大规模图像检索方法，它利用设计的卷积神经网络架构提取图像特征，在保有原来检索速度快的优点的同时大幅提高了图像检索的精度。但是已存在的深度哈希算法主要使用已有的针对其他图像任务设计而成的深度学习网络架构，而没有对适应于哈希检索任务的网络架构进行探索。传统的卷积神经网络架构如AlexNet、VGGNet往往由专家设计并通过多次实验得到最优架构，这通常需要遍历所有可能的网络组成结构。在耗费大量时间和计算资源的同时，还不能根据特定任务设计特定的自适应网络结构来提升性能。

深度强化学习为寻找优秀的卷积神经网络架构提供了理论基础。传统的强化学习受限于较小的动作空间和样本空间，且一般处于离散的情境下。然而复杂的、更加接近实际情况的任务则往往有着很大的状态空间和连续的动作空间。当输入数据具有很高维度时，传统的强化学习很难处理，深度强化学习将深度学习可接受高维输入这一优点与强化学习结合起来。深度强化学习中的神经网络自适应方法避免了穷举问题，大大减少了消耗的时间和计算资源。与此同时，循环神经网络的发展解决了模型单一化的问题，它具有记忆性并且参数共享，因此能以很高的效率对序列的非线性特征进行学习。这为探索多样的卷积神经网络结构提供了可能。循环神经网络通过时间序列产生卷积神经网络模型，确保了组成卷积神经网络的组件之间的联系，而非将不同组件作为独立的个体来设计卷积神经网络。通过定义不同的搜索空间，使用神经网络自适应方法可以从多方面、多角度探索更适合深度哈希的网络架构。

综上所述，现有技术中对于如何利用神经网络自适应高效率、高精度的优点解决适应于深度哈希检索网络的搜索问题尚没有公开的披露。

发明内容

本发明的目的在于提供一种基于神经网络自适应的深度哈希图像搜索方法，主要用于解决在大规模图像检索过程中，传统深度哈希方法应用图像分类卷积神经网络而不是适应于深度哈希的神经网络的问题，以较低的计算开销训练搜索得到适应于深度哈希任务的卷积神经网络，同时性能优于传统深度哈希方法。

为了达到以上的目的，本发明提供了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；