[发明专利]一种基于节点表征的无监督深度哈希模型训练方法及图像检索方法

权利要求书

1.一种基于节点表征的无监督深度哈希模型的训练方法，该无监督深度哈希模型包括顺次连接的ResNet-101网络、基于GCN的自编码器AE、以及ResNet-18网络，其特征在于，所述训练方法包括以下步骤：

(1)获取N张图像所构成的训练集，将该训练集输入ResNet-101网络中，以从该网络的池化层提取每张图像的特征向量，所有图像的特征向量构成向量集合FV：

FV＝{v₁,v₂,…,v_N},

其中N为正整数，v_q表示向量集合FV中的第q个特征向量，且有q∈[1，N]；

(2)从步骤(1)得到的向量集合FV中选择M个图像的特征向量构成M个节点，根据这M个节点构建一个图结构G＝(X,E)，其中X表示这M个节点构成的集合且有X＝[x₁，x₂，…，x_M]，表示M个节点中的任意两个节点x_i和x_j连接成的边，其中i和j均为正整数，且有i和j均∈[1，M]；

(3)从步骤(2)构建得到的图结构G中获取M个节点的关系矩阵A，利用获取的关系矩阵A和M个节点对基于GCN的AE进行迭代训练，直到该AE收敛为止，并获得此时每一个节点x_k∈X的g维表征信息g(x_k)，其中k∈[1，M]，g∈{16,32,48,64,96,128}；

(4)使用步骤(3)得到的节点x_k∈X的g维表征信息g(x_k)作为标签信息对ResNet-18网络进行迭代训练，直到该ResNet-18网络收敛为止，并获得此时节点x_k对应的g维语义哈希码b_k。

2.根据权利要求1所述的训练方法，其特征在于，编码网络包括K层GCN，用于更新节点特征，编码网络的输出为节点x_k∈X的g维表征信息g(x_k)，其中K为任意自然数，优选为5。

3.根据权利要求1所述的训练方法，其特征在于，步骤(3)具体为：

首先，获取编码网络中第l+1层GCN中所有M个节点的潜在表征X^l+1，其中l∈[1，K]：

其中X^l表示编码网络中第l层GCN中所有M个节点的潜在表征，X¹＝X，W^l表示编码网络中第l层GCN的权重，f^l(·)表示编码网络中第l层GCN的非线性激活函数，表示关系矩阵A的标准化版本；

接下来，在重构空间中生成解码网络中第l+1层GCN的输出

其中表示解码网络中第l层GCN的解码结果，表示解码网络中第l层GCN的权重，表示解码网络中第l层GCN的非线性激活函数；

接下来，根据解码网络中第l+1层GCN的输出和集合X计算损失函数值L₁，并不断重复迭代上述过程，直至损失函数值L₁最小为止，从而得到训练好的AE，并将此时AE的编码网络中第K层GCN的输出作为节点x_k∈X的g维表征信息g(x_k)。

4.根据权利要求3所述的训练方法，其特征在于，

关系矩阵A的标准化版本等于：

其中I_C是单位矩阵，是对角矩阵且满足

损失函数值L₁等于：

其中，表示使用二范数计算。