[发明专利]一种面向图像检索的分布一致性保持度量学习方法

权利要求书

1.一种面向图像检索的分布一致性保持度量学习方法，其特征在于所述方法包括如下步骤：

步骤1：初始化微调CNN网络，提取查询图像和训练数据库中图像的底层特征；

步骤2：通过计算步骤1提取得到的查询图像和训练数据库中所有图像底层特征的欧氏距离，以及根据训练数据的标签属性将训练集进行正负样本集划分；

步骤3：设定阈值τ、m，跟据负样本和正样本分别的排序序号列表计算每个正负样本对的权重值；

步骤4：将步骤3获得的训练数据的真实排序序号分别赋予给选择出的负样本和正样本，将序号与其阈值相结合，分配给正负样本不同的权重，运用基于分布一致性保持的损失函数计算损失值，调整正负样本与查询图像特征向量的距离；

步骤5：通过反向传播和共享权重对深度卷积网络的初始参数进行进一步调整，得到深度卷积网络的更新参数；

步骤6：重复步骤1到步骤5，不断的训练更新网络参数，直到结束训练；

步骤7：对于测试阶段，将测试数据集中的查询图像和其他样本图像输入步骤6得到的深度卷积网络中，得到与查询图像相关的图像列表；

步骤8：选取查询图像以及步骤7中获取的各自相应图像列表中的Top-N图像进行特征排序，对特征进行加权求和取平均作为查询图像，再进行步骤7的操作，得到最终的图像列表。

2.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤1中，提取查询图像和训练数据库中图像的底层特征的方法如下：采用微调CNN网络的卷积部分对查询图像和训练数据库中图像的底层特征进行初步处理，即去掉卷积后的全连接层，并采用平均池化代替全连接后的最后一个最大池化进行池化操作。

3.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤2中，基于训练集样本与查询图像特征向量的距离挑选正负样本对，选择与查询图像同类别最不像的五个样本作为正样本，选择与查询图像不同类别且彼此类别不同的五个与查询图像最像的样本作为负样本。

4.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤3中，所有正样本都在与查询图像距离τ-m的范围内，所有负样本都推出到离查询图像距离τ之外，正负样本之间距离为m。

5.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤3中，负样本对的权重值为：

正样本的权重值为：

式中，表示负样本对的个数，a为训练集中真实排序序号，表示正样本对的个数，|P_c,i|为P_c,i中样本的数量，P_c,i表示所有与属于同一类别的样本的集合，为查询样本，为超参数，n_hard为满足下述约束的难正样本的数量：

其中，表示查询样本与所选样本的点积，S_ik表示查询样本与类间样本的点积，P_c,i表示查询样本的类内样本集，ε是超参数。

6.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤4中，基于分布一致性保持的损失函数定义为：

式中，为正样本损失，为负样本损失。

7.根据权利要求6所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述正样本损失为：

负样本损失为：

式中，分别表示查询样本正样本负样本通过判别函数f计算得到的特征值，表示负样本对的权重值，表示正样本的权重值，表示正样本的集合，表示负样本的集合。

8.根据权利要求1所述的面向图像检索的分布一致性保持度量学习方法，其特征在于所述步骤6中，重复步骤1到步骤5一共进行30轮。