[发明专利]图像检索方法及系统

说明书

本发明涉及一种图像检索方法及系统，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；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；获取参考图库的各参考图像；通过所述卷积神经网络模型，分别提取待检索图像及各参考图像对应的全局特征；根据所述待检索图像及各参考图像对应的全局特征，确定检索结果；所述检索结果为选取与所述待检索图像不相似的参考图像，作为推荐图像。本发明根据训练图像集建模，得到基于对抗注意力机制的卷积神经网络模型，可直接提取待检索图像及各参考图像对应的全局特征；进而可根据待检索图像及各参考图像对应的全局特征，准确得到与所述待检索图像不相似的推荐图像。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于对抗注意力机制的图像检索方法及系统。

背景技术

随着互联网、计算机和人工智能技术的飞速发展，包含丰富信息的图像数据呈几何级数增长。在大数据时代，如何对海量图像数据进行合理高效地管理、分析和使用，是一项非常重要的应用需求和研究课题。因此，基于内容的图像检索技术受到了广泛的关注和研究。

例如，在智能旅游(景点检索)、自动驾驶(场景识别)、网络购物(拍立淘)、智能安保(行人再识别)、知识产权保护(商标检索)等领域，基于内容的图像检索技术得到了广泛的应用，并且为人们的生活提供了便利。

而且随着深度学习在各大领域取得了优秀的成果，越来越多的图像检索的研究开始关注基于深度学习的方法。其中，深度卷积神经网络是一种多层神经网络，擅长处理图像的相关机器学习问题。基于深度卷积神经网络的图像检索方法近些年的研究关注于深层卷积特征的聚合，提取鉴别性的特征。

但是大部分工作没有很好地利用深层卷积特征的语义和部件信息进行特征，在特征聚合阶段丢失了大量的鉴别性的语义和部件信息，造成图像检索的准确性较差，参考意义不大。

发明内容

为了解决现有技术中的上述问题，即为了提高图像检索的准确性，本发明的目的在于提供一种图像检索方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种图像检索方法，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；

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；

获取参考图库的各参考图像；

通过所述卷积神经网络模型，分别提取待检索图像及各参考图像对应的全局特征；

根据所述待检索图像及各参考图像对应的全局特征，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不相似的参考图像，作为推荐图像。

可选地，所述对训练图像集标记类别，得到多个标记图像，具体包括：

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。

可选地，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，具体包括：

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；

分别从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，且所述特征图分为待检索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；