[发明专利]基于哈希学习的图像数据快速检索方法

说明书

基于哈希学习的图像数据快速检索方法，涉及图像数据快速检索方法，属于数据检索技术领域。为了解决现有模型在哈希码生成阶段使用多次松弛会使模型在训练阶段负反馈过程出现偏差的问题。本发明的深度哈希模型包含五个卷积‑池化层、两个全连接层、特征层、哈希层和输出层；并基于三元组约束进行训练，得到训练好的深度哈希模型后，利用深度哈希模型建立样本库，样本库由图像样本及对应的哈希码构成；针对查询图像，利用训练好的深度哈希模型生成查询图像的哈希码；利用查询图像的哈希码与图像样本库进行检索。本发明适用于图像数据检索。

技术领域

本发明涉及图像数据快速检索方法，属于数据检索技术领域。

背景技术

近年来互联网的快速发展，高维数据呈现出指数式的发展，如何利用这些数据成为各行 业的焦点。过去时间里研究者们提出许多对大规模数据检索的方法，哈希方法有着其高效的 存储和计算效率而被广泛使用(LI WuJun，ZHOU ZhiHua.大数据哈希学习：现状与趋势[J]. 科学通报，2015，60(Z1)：485-490.)。传统哈希方法包括局部敏感哈希和谱哈希，在图像 检索上取得一定的成果，但距实际应用仍存在着一段距离。深度学习的快速发展推进着哈希 方法的进步，2014年由潘炎和颜水成首次结合卷积神经网络提出了卷积神经网络哈希模型 (Convolutional Neural Network Hashing，CNNH)(R.Xia，Y.Pan，H.Lai，et al.Supervised hashing for image retrieval via image representationlearning[C].AAAI Conference on Artificial Intelligence，2014.)，相比较传统哈希方法取得了更好的效果。CNNH分成两个阶段对哈希 码进行训练，第一步是将相似矩阵S分解，矩阵S中的每一个元素表示该元素行和列的样本 图像是否相似，矩阵H的每一个行都是训练数据的近似哈希码。模型中的图像在训练过程中 表现的图像特征不能反作用于哈希码的生成，不能够动态调节哈希码之间的汉明距离，也就 无法利用到卷积神经网络的优点造成学习到的哈希函数次优。在该基础上，Li W J，Wang S，Kang W C等人在《FeatureLearning based Deep Supervised Hashing with Pairwise Labels》 中提出了深度神经网络哈希模型(Deep Neural Network Hashing，DNNH)，H.Liu，R.Wang， S.Shan等人在《Deep Supervised Hashing for Fast Image Retrieval》中提出了深度有监督哈希 模型(Deep Supervised Hashing，DSH)。两种模型采用端到端的模型，在本质上克服了CNNH 特征提取和哈希编码分离的问题，从不同角度设计损失函数用于生成哈希码。但是这两种模型在进行哈希码生成阶段使用多次松弛，会使模型在训练阶段负反馈过程出现偏差，导致利 用生成的训练好的模型进行图像数据检索不够准确。

发明内容

本发明为了解决现有模型在哈希码生成阶段使用多次松弛会使模型在训练阶段负反馈过 程出现偏差的问题，提供了基于哈希学习的图像数据快速检索方法。

本发明所述基于哈希学习的图像数据快速检索方法，包括以下步骤：

步骤1、建立深度哈希模型：

深度哈希模型包含五个卷积-池化层、两个全连接层、特征层、哈希层和输出层；

步骤2、训练深度哈希模型：

训练数据为一系列带有标签的数据集{(p₁，w₁)，(p₂，w₂)，(p₃，w₃)，...(p_n，w_n)}，其中 p_i为样本图像，w_i是对应图像样本的标签；