[发明专利]基于空间重要性的深度加权哈希学习方法

权利要求书

1.一种基于空间重要性的深度加权哈希学习方法，其特征在于该方法包括以下步骤：

(1)利用深度网络学习空间重要性信息：构造深度空间重要性学习模型，即将图像送入深度网络，深度网络根据图像的像素位置对图像分类的敏感程度以及图像的分类标签信息学习得到图像的空间重要性信息，所述空间重要性信息是表征原始图像中每个像素位置的数据对于整个图像的识别的贡献度的信息，如果某个像素位置的数据能够对图像的识别有较大的帮助，就认为这个像素位置的空间重要性高，反之认为该位置的空间重要性低；

(2)重要性区域和非重要性区域的哈希学习，具体步骤为：

①通过步骤(1)得到的重要性信息以及原图像，生成图像的重要性区域和图像的非重要性区域；

②将图像的重要性区域和图像的非重要性区域放入两个不同的深度网络；

③利用两个深度网络建立哈希码和原始特征的映射关系，得到图像的重要性区域的哈希码和图像的非重要性区域的哈希码；

④将图像的重要性区域的哈希码和图像的非重要性区域的哈希码拼接起来，得到最终的哈希码。

2.根据权利要求1所述的一种基于空间重要性的深度加权哈希学习方法，其特征在于：步骤(2)中，通过样本标记信息、样本相似性信息以及量化信息来建立哈希联合优化目标函数，经过优化目标函数获取哈希表示，所述目标函数如下：

其中，B为所有图片的哈希码，L_s代表相似性损失，L_q代表量化损失，L_c代表分类损失，η和β是参数，在L_s中S是相似性矩阵，s_ij为相似性矩阵中图像i图像j的相似性，若同类则为1，不同类则为0，b_i和b_j是图像i图像j哈希码，在L_q中b_i是图像i的哈希码，d_i是深度网络得到的结果，在L_c中y_i是图像i的标记信息，是网络得到的预测信息。

3.根据权利要求1所述的一种基于空间重要性的深度加权哈希学习方法，其特征在于：所述深度网络包括卷积神经网络CNN、全卷积网络FCN。