[发明专利]一种基于深度学习的文物艺术品领域图像相似度度量方法

权利要求书

1.一种基于深度学习的文物艺术品领域图像相似度度量方法，其特征在于，包括以下步骤：

步骤1，图片特征提取：首先需要对两张文物艺术品图片进行特征提取，使用残差网络实现对图片语义特征的提取；其次使用在2012年的ILSVRC分类数据集预训练过的resnet-18网络参数作为初始权重，在预训练的基础上进一步通过分类任务优化初始权重；所述通过分类任务优化初始权重是指从计算机视觉角度出发，将文物艺术品分为绘画、书法、瓷器、贝器、名人手迹、青铜器、石器、玉器、唐卡、文房用具、竹木牙角匏器、紫砂器、碑帖拓片、珐琅器、佛像、古典家具、古乐器、古钱币、骨器、金属器、料器、漆器共22个类别，在经由上述预训练过的resnet18中以分类任务为目标继续训练，分类准确率达到较高标准后将此时的resnet18网络参数作为特征提取网络的初始参数，最后连接512维、256维的全连接层对所提取特征进行降维与编码，完成图片特征提取，则对于每一张文物艺术品图片输入都能够得到相对应的图片特征；

步骤2，损失函数选择：

TripletLoss损失函数输入为一个三元组，分别是样本数据Anchor、与样本数据属于同一类的正例样本Positive、与样本数据不属于同一类的负例样本Negative，其基础原理在于缩小样本数据和正例样本之间的距离，增大样本数据和负例样本之间的距离，公式表示如下：

公式1：

公式2：

在上述公式1及公式2中，其中分别为样本数据、正例样本、负例样本；α为样本与正样本距离和负样本距离的最小间隔；T包含了所有可能出现的三元组对；最终使用的特征提取网络的初始参数为在文物艺术品分类数据集中微调过的参数权值，同时，使用TripletLoss损失函数训练分类数据集，并将此时的网络参数作为训练整个网络的初始权重，再以TripletLoss作为损失函数；

步骤3，相似程度计算：

步骤301：假设对于两张文物艺术品图片记为：ImageA和ImageB计算相似度，取其中一张图片，ImageA，通过步骤1及步骤2神经网络必然会得到相应的特征向量记为：FeatureA；以ImageA为基础，添加适当旋转、椒盐噪声、裁剪等处理产生新的图片记为：ImageA_noise，通过神经网络得到与其对应的特征向量记为：FeatureA_noise，从人眼感知等视觉角度理解，虽然两张图片在细微之处有差别，但是仍属于相似图片，通过欧式距离将两张图片之间的距离量化，此距离称为可接受误差距离，公式3如下：

步骤302：对另一图片ImageB提取特征向量FeatureB，计算FeatureA与FeatureB的欧式距离，公式4如下：

步骤303：比较d(Anoise)和d(AB)之间的大小，如果前者大于等于后者，两张图片的距离在可接受误差距离之内，认为两张图片极为相似；如果前者小于后者，两张图片的距离在可接受误差距离范围外，表示两张图片有部分相似又有部分不相似，为进一步将这种相似程度以量化形式表达，其公式5如下：

s(d(Anoise)，d(AB))＝(1/e^{d(AB)-α*d(Anoise)})

其中由于d(AB)较大，保证分母指数部分始终大于0，分母恒大于1，函数整体恒小于1，且随着d(AB)增大，函数值逐渐接近于0，符合普遍认知中随着两张图片特征距离增加，相似性趋于变小的认知，α为松弛因子，根据不同实际情况对整体相似度函数进行适当调节。