[发明专利]基于度量学习的深度哈希方法

权利要求书

1.基于度量学习的深度哈希方法，其特征是：该方法由以下步骤实现：

步骤一、构建三元组形式的训练样本；

具体为：每次训练时，所述训练样本均由两张图像和所述两张图像之间的标签关系的三元组形式{X_i，X_j，S_ij}；其中，X_i和X_j表示两张图像，S_ij为两张图像X_i，X_j之间的标签关系，对所述三元组中的两张图像X_i，X_j进行缩放和裁剪操作，保证X_i，X_j有相同的图像尺寸；

步骤二、构建用于特征提取的深度卷积神经网络H；

去掉已有的深度卷积神经网络模型AlexNet末尾的损失层和分类层，构建一个由5层卷积层和3层全连接层的用于特征提取的深度卷积神经网络H；所述深度卷积神经网络H输出多维的实数类型的特征向量值；

对于最后一层全连接层，构建一个低维度的输出作为哈希全连接层，用于匹配需要进行的量化编码操作，即最终的输出神经元个数与哈希编码的位数相同；

步骤三、利用哈希对比损失函数和量化损失函数对深度卷积神经网络H进行训练和优化，获得训练好的深度卷积神经网络H；

将步骤一进行缩放和裁剪操作图像和标签关系一起输入到步骤二构建的深度卷积神经网络H中进行训练；采用哈希对比损失函数和量化损失函数对所述深度卷积神经网络H进行约束，优化两种损失函数时采用梯度回传的方式对卷积神经网络的参数进行更新；具体过程为：

三元组训练样本中的图像X_i，X_j经过深度卷积神经网络H后得到对应的实数值特征向量f_i，f_j，计算哈希对比损失函数和量化损失函数；向深度卷积神经网络H反向传播梯度来更新网络的参数，哈希对比损失函数的计算公式如下：

式中，f_sim(f_i·f_j)和f_diff(f_i·f_j)均为哈希对比损失中对符号进行控制的函数，f_i，f_j为X_i，X_j经过卷积神经网络后的实数值特征向量，m和m_diff均为阈值超参数；

步骤四、将测试图像和图库中图像输入训练好的深度卷积神经网络H网络，获得对应测试图像和图库中图像的哈希码；

步骤五、计算步骤四获得的测试图像的哈希码和图库中图像的哈希码之间的汉明距离，将汉明距离最小的图像作为最相似的图像。

2.根据权利要求1所述的基于度量学习的深度哈希方法，其特征在于：步骤一中，当两张图像同类别时为1，不同类别时为0，即：

对每张图像均缩放到256×256像素，然后随机裁剪227×227像素的内容区域。