[发明专利]一种引入对抗训练的基于内容的实例检索方法在审

专利信息
申请号: 201910520591.8 申请日: 2019-06-17
公开(公告)号: CN110275972A 公开(公告)日: 2019-09-24
发明(设计)人: 白琮;李宏凯;黄玲;黄远;陈胜勇 申请(专利权)人: 浙江工业大学
主分类号: G06F16/535 分类号: G06F16/535;G06N3/04;G06N3/08
代理公司: 杭州斯可睿专利事务所有限公司 33241 代理人: 王利强
地址: 310014 浙江省*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 对抗训练 生成器 查询图像 实例检索 判别器 引入 预处理 特征提取步骤 数据库图像 标注信息 检索步骤 特征向量 图像检索 网络构建 网络训练 训练过程 数据集 相似度 最大化 最小化 图片 检索 测试 查询 输出 对抗 网络 成功 学习
【权利要求书】:

1.一种引入对抗训练的基于内容的实例检索方法,其特征在于,所述方法包括以下步骤:

步骤一、网络构建,过程如下:

步骤1.1:该对抗检索网络框架由一个生成模型和一个判别模型两部分组成,生成模型和判别模型都是由一层的1X1卷积网络构成;

步骤1.2:生成模型的一层的1X1卷积层后接Relu激活函数;

步骤1.3:生成模型的Relu激活函数后接距离度量函数;

步骤1.4:生成模型的输出结果作为判别模型的输入;

步骤1.5:判别模型的一层的1X1卷积层后接Relu激活函数;

步骤1.6:判别模型的Relu激活函数后接相似性得分函数;

步骤1.7:判别模型把计算出的相似性得分反馈到生成模型中;

步骤二、数据集预处理;

步骤三、网络训练,过程如下:

步骤3.1:用随机权值初始化生成模型和判别模型参数;

步骤3.2:训练生成模型,过程如下:

步骤3.2.1:生成模型通过1X1卷积层对输入的查询数据集Q和数据库数据集D的特征进行进一步权值优化;

步骤3.2.3:针对每一张查询图片,生成模型计算其与数据库数据集中的所有图片的余弦距离,最后利用softmax函数根据图像间的距离转化成图片相似性概率,根据概率高低从待检索数据集D中选择前K张图片特征作为生成器的输出;

步骤3.2.4:用Adam算法最小化损失函数;

步骤3.3:训练判别模型,过程如下:

步骤3.3.1:将生成器返回的前K张的图片特征以及查询图像的特征作为判别器的输入,并通过1X1卷积层重新对查询图片和生成器返回的前K张图片的特征进行进一步权值优化;

步骤3.3.2:重新计算每一个查询图片和返回的前K张图片之间的余弦距离,并根据距离给出相似性得分;

步骤3.3.3:判别器将计算出的相似性得分反馈到生成器中,直接作用于生成器的损失函数,从而影响接下来对待检索图片的选择;

步骤3.4:用随机梯度下降算法最小化损失函数;

步骤四、评价检索测试,过程如下:

步骤4.1:将预处理好的测试数据集Q’送入训练完成的最优生成器模型;

步骤4.2:生成器针对给定的查询图片,从数据库数据集D中检索出前K张拥有相同实例目标的图片。

2.如权利要求1所述的一种引入对抗训练的基于内容的实例检索方法,其特征在于,所述步骤四还包括:

步骤4.3:核对查询图片的标签和生成器返回的前K张图片的标签是否一致,根据信息检索中的评价准则计算所有问询图片的平均准确率。

3.如权利要求1或2所述的一种引入对抗训练的基于内容的实例检索方法,其特征在于,所述步骤二中,数据集预处理的程如下:

步骤2.1:将使用的图片数据分为查询数据集Q、测试数据集Q’和数据库数据集D三部分;

步骤2.2:将相应图片数据输入Bow/CNN/R-MAC等神经网络中,得到相应数据集的特征向量;

步骤2.3:将图片的特征向量集合输入对抗检索网络中进行检索过程中的对抗训练。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910520591.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code