[发明专利]一种快速优化深度哈希图像编码方法及目标图像检索方法

权利要求书

1.一种快速优化深度哈希图像编码方法，针对大型图像数据集，基于贪心策略建立哈希图像编码模型，通过优化后得到的深度哈希编码网络生成所有图像的二值编码；包括如下步骤：

1)哈希图像编码问题建模，得到哈希图像编码模型；

哈希图像编码模型表示为式(1)：

s.t.B∈{-1,+1}^K 式(1)

其中，B表示利用深度网络对输入图像进行前向传播而生成的二值编码；其中约束条件约束了该编码B的每一位只能从{-1,+1}中选择，一共有K位，即每幅图像都编码为K位二值码；L(B)表示对B计算的损失函数；

2)使用贪心策略求解哈希图像编码模型，得到最优的二值编码B；包括如下操作：

21)求解过程中，在不考虑离散约束B∈{-1,+1}^K的情况下，先计算出L关于B的梯度然后使用下式的梯度下降法进行迭代更新，表示为式(2)：

其中，t表示训练过程中的第t轮更新，lr表示算法提前设定好的学习率；B^t表示第t轮更新后的编码B；B^t+1表示第t+1轮更新后的编码B；L表示模型的损失函数；用梯度更新式(2)求出来的B^t+1是L(B)在不考虑离散约束情况下选出的当前迭代的最优更新方向；

22)得到离该连续值B^t+1最近的且满足离散取值约束的解，即sgn(B^t+1)，sgn()表示逐元素地使用符号函数；

23)向该解sgn(B^t+1)的方向进行参数更新，即利用式(3)求解式(1)：

3)在深度网络中设计深度哈希图像编码模块，训练哈希图像编码模型，实现式(3)的更新方式；包括如下操作：

31)使用卷积神经网络将输入图像表示为一串取连续值的图像特征H；

32)在卷积神经网络的最后一层设计一个全新的深度哈希图像编码模块：

输入是连续值图像特征H，输出是编码B；

在深度哈希图像编码模块中实现式(3)的更新方式；模块前向传播中对H逐位的使用符号函数，得到取二值的编码B；

模块反向传播时将编码B得到的梯度信息直接赋值给H，即令H的梯度信息等于B的梯度信息，使梯度顺利回传到前层网络；

4)神经网络的训练和收敛完成后，得到训练好的图像深度哈希编码网络；

5)利用训练好的深度哈希编码网络，对所有数据库图像进行编码，生成数据库图像编码；

通过上述过程，实现基于贪心策略的快速优化深度哈希图像编码。

2.如权利要求1所述的快速优化深度哈希图像编码方法，其特征是，损失函数包括均方误差函数、交叉熵函数。

3.如权利要求1所述的快速优化深度哈希图像编码方法，其特征是，步骤32)中，深度哈希图像编码模块具体实现如下操作：

321)首先将变量H引入公式(3)，得到式(4)，包括式(4a)和(4b)：

其中，H^t+1表示第t+1轮更新后的变量H；

322)此时为实现式(4a)，在深度哈希图像编码模块的前向传播中对输入H使用符号函数，表示为式(5)：

B＝sgn(H) 式(5)

323)在网络训练的目标函数中添加一项惩罚项来辅助深度哈希图像编码模块，以实现式(4b)；

对于(4b)，先在损失函数L中添加一惩罚项使得网络在训练过程近似满足H≈sgn(H)＝B；对于H变量，更新公式为式(6)：

其中，H^t表示第t轮更新后的变量H；

对比式(6)和式(4b)，在深度哈希编码模块的反向传播时直接赋值回传，表示为式(7)：

式(7)代表在新设计的编码模块的反向传播过程中，损失函数关于B的梯度直接完整地回传给前层H，并最终回传到网络前端，由此完成参数学习和网络更新。

4.如权利要求1所述的快速优化深度哈希图像编码方法，其特征是，卷积神经网络采用深度网络AlexNet或ResNet。