[发明专利]基于深度对抗哈希学习的大规模遥感影像内容检索方法

权利要求书

1.基于深度对抗哈希学习的大规模遥感影像内容检索方法，其特征在于，首先建立遥感图像库{I₁,I₂,…,I_N}，并挑选若干遥感图像；用构造的训练样本，训练深度对抗哈希学习模型；用训练好的对抗哈希编码模型，对整个遥感图像库{I₁,I₂,…,I_N}进行哈希编码，得到哈希数据库{B₁,B₂,…,B_N}；对用户输入的查询图像I'，进行归一化处理之后，用训练好的对抗哈希编码模型进行哈希编码，得到查询图像的哈希编码H'；计算查询图像的哈希编码B’与哈希数据库{B₁,B₂,…,B_N}中的所有样本的相似匹配距离，并依照该匹配距离按照从小到大的顺序，返回用户需要数量的图像索引，依据索引找到遥感图像库{I₁,I₂,…,I_N}中对应的图像，完成图像检索；

训练深度对抗哈希学习模型的步骤如下：

S201、深度对抗哈希学习模型包括生成器和判别器，生成器为预训练的alexnet网络的{conv1,conv2,conv3,conv4,conv5,fc6,fc7}和哈希层构成，判别器为三层全连接的神经网络，哈希层的激活函数为sigmoid()激活函数如下：

S202、生成器的输入为训练样本{I₁,I₂,…,I_l}，输出为图像的特征向量{b₁,b₂,…,b_l}，生成器的目标函数分为三部分，包括哈希过程中的相似度保持，类标信息的利用与比特位的交叉熵，确定生成器的总目标函数；

S203、针对哈希学习过程中的相似度保持，确定哈希学习过程中相似度保持的优化目标函数

S204、针对类标信息的使用，确定类标信息使用的优化目标函数

S205、针对比特位的交叉熵，确定比特位的交叉熵的优化目标函数

S206、判别器的输入包括真实数据和假数据，假数据为生成器输出的图像特征向量{b₁,b₂,…,b_l}，真实数据为随机噪声{Z₁,Z₂,…,Z_l}，其值为0或1且服从均匀分布；

S207、训练模型参数，设置批处理大小为128，学习率为0.0001，λ＝0.01，ε＝0.5，η＝0.0005，判别器的优化只在前两次的迭代，生成器的优化在每一次的批处理优化；

对抗哈希编码模型训练完成后，固定其网络参数，输入遥感图像库{I₁,I₂,…,I_N}，得到对应的特征向量库{b₁,b₂,…,b_N}；对于哈希编码，要求每位编码的值为0或1；对{b₁,b₂,…,b_N}进一步处理，若大于0.5则否则为0，代表样本I_i的哈希编码，K为哈希编码的位数；将特征向量库{b₁,b₂,…,b_N}转化为二值化的哈希数据库{B₁,B₂,…,B_N}。