[发明专利]图像检索方法及系统

权利要求书

1.一种图像检索方法，其特征在于，所述检索方法包括：

对训练图像集标记类别，得到多个标记图像，包括：

从所述训练图像集中，选择同类别的图像构成正样本训练数据对，多对正样本训练数据对构成正样本训练数据对集；

从所述训练图像集中的剩余图像中选择部分图像，作为负样本候选训练集；

根据各所述标记图像，进行建模，得到基于对抗注意力机制的卷积神经网络模型，包括：

从所述正样本训练数据对集中随机选取一张图像作为待检索训练图像；

分别对所述负样本候选训练集中的各候选训练图像及待检索训练图像进行特征提取，得到对应的H×W×C维度的特征图，各所述特征图由H×W×C个特征子图构成，且所述特征图分为各候选训练特征图及待检索训练特征图；

针对每一特征子图，

提取第一注意力图；

使用对抗擦除方法，提取第二注意力图，所述第一注意力图与所述第二注意力图对应不同的语义内容；

通过对应不同语义内容的一组注意力图，进行特征加权，得到加权特征；

对所述加权特征进行全局平均池化，获得局部特征，各所述特征图对应有多个局部特征；

针对每一特征图，

将所述特征图全部的局部特征串联，获得对应所述特征图的初始全局特征；

对所述初始全局特征进行降维处理，得到降维全局特征；

对所述降维全局特征进行归一化处理，得到所述特征图对应的终级的全局特征；

根据所述待检索训练图像、各候选训练图像及对应的终级的全局特征，建立基于对抗注意力机制的卷积神经网络模型；其中，所述基于对抗注意力机制的卷积神经网络模型包括依次连接的特征图提取基本卷积网络层、对抗注意力机制层、加权层、池化层、串联层、降维层及归一化层；

获取参考图库的各参考图像；

通过所述基于对抗注意力机制的卷积神经网络模型，分别提取待检索图像及各参考图像对应的终级的全局特征；

根据所述待检索图像及各参考图像对应的终级的全局特征，确定检索结果；其中，所述检索结果为选取与所述待检索图像相似的参考图像，作为推荐图像。

2.根据权利要求1所述的图像检索方法，其特征在于，所述根据各所述标记图像，进行建模，得到基于对抗注意力机制的卷积神经网络模型，还包括：

基于反向传播算法，最小化对比损失值，获得收敛的基于对抗注意力机制的卷积神经网络模型的参数；

根据所述参数修正所述基于对抗注意力机制的卷积神经网络模型。

3.根据权利要求2所述的图像检索方法，其特征在于，通过以下公式计算对比损失值：

E＝||rep(q)-rep(p)|||²+max(0，τ-||rep(q)-rep(n)|||²)；

其中，E表示对比损失函数，τ表示余量参数，用于保证负对距离足够大时不影响损失函数，训练集图像q和训练集图像p构成正样本训练数据对，训练集图像q和训练集图像n构成负样本训练数据对，rep(q)表示图像q对应的终级的全局特征。

4.根据权利要求2-3中任一项所述的图像检索方法，其特征在于，所述图像检索方法还包括：

基于欧式距离计算方法及终级的全局特征，分别计算所述待检索训练图像及各候选训练图像的相似值；

根据各相似值，从各候选训练图像中选择出困难负样本训练图像，困难负样本训练图像与待检索图像构成负样本训练数据对；

根据当前的负样本训练数据对，更新负样本训练数据对集。

5.根据权利要求4所述的图像检索方法，其特征在于，根据各相似值，从各候选训练图像中选择出困难负样本训练图像，具体包括：

按照相似值从小到大的顺序，排列对应的各候选训练图像；

选择设定的排名阈值内的各候选训练图像，作为困难负样本训练图像。