[发明专利]用于图像哈希求解的神经网络训练方法及装置

说明书

本发明公开了一种用于图像哈希求解的神经网络训练方法及装置，该方法包括：确定训练图像数据集；确定目标神经网络模型的网络架构；所述目标神经网络模型的网络架构用于求解出成对损失、分类损失和余弦损失；确定目标神经网络模型的损失函数；所述损失函数为根据所述成对损失、所述分类损失和所述余弦损失确定出的；将所述训练图像数据集输入至所述目标神经网络模型中进行迭代训练，直至所述损失函数收敛，得到训练后的目标神经网络模型。可见，本发明能够优化神经网络模型的架构，使得神经网络模型在训练时快速收敛，且后续在应用在图像哈希值求解时能够求解得到表征能力更高的哈希值。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种用于图像哈希求解的神经网络训练方法及装置。

背景技术

在现有的商业模式中，图像往往比文字更有吸引力，其展示和推广效果更加显著。因此，如何利用图像为用户进行商业素材的推荐显得尤为重要。然而，要做到在大量图像中进行实时的推荐，需要对图像进行精准的特征提取，同时要使其提取出的特征能保证尽量多的信息量和尽量少的特征维度。传统的图像特征提取算法并不能满足这样的要求，而近些年兴起的深度学习神经网络，更多的是提取图像的浮点特征，导致搜索时间过长，在满足精度的要求却不能满足实时的要求。因此，用于图像哈希求解的神经网络模型开始进入研究者的视野。这类神经网络能自动学习到图像的二值化特征，在减少搜索时间的同时能满足精度的要求，是利用图像进行素材推荐的理想选择。

但是现今众多的用于图像哈希求解的神经网络模型中，往往直接使用单一的损失函数来训练网络，这样的训练方式难以收敛，且效果并不好。

发明内容

本发明所要解决的技术问题在于，提供一种用于图像哈希求解的神经网络训练确定方法及装置，能够优化神经网络模型的架构，使其可以计算图像间的多种损失，并将损失函数确定为多种损失的结合，从而能够使得神经网络模型在训练时快速收敛，且后续在应用在图像哈希值求解时能够求解得到表征能力更高的哈希值。

为了解决上述技术问题，本发明第一方面公开了一种用于图像哈希求解的神经网络训练方法，所述方法包括：

确定训练图像数据集；所述训练图像数据集包括有多组训练图像组；每一组所述训练图像组包括有多个训练图像；

确定目标神经网络模型的网络架构；所述目标神经网络模型的网络架构用于求解出所述训练图像数据集中的每一组所述训练图像组中的多个训练图像之间的成对损失、分类损失和余弦损失；

确定目标神经网络模型的损失函数；所述损失函数为根据所述成对损失、所述分类损失和所述余弦损失确定出的；

将所述训练图像数据集输入至所述目标神经网络模型中进行迭代训练，直至所述损失函数收敛，得到训练后的目标神经网络模型；所述训练后的目标神经网络模型用于求解图像的哈希值。

作为一种可选的实施方式，在本发明第一方面中，每一组所述训练图像组包括有目标训练图像、相似训练图像和区别训练图像；所述相似训练图像与所述目标训练图像的图像属性相同；所述区别训练图像与所述目标训练图像的图像属性不同。

作为一种可选的实施方式，在本发明第一方面中，所述确定目标神经网络模型的网络架构，包括：

确定目标神经网络模型的网络架构为包括有卷积层、第一全连接层、tanh激活函数、sigmoid激活函数、第二全连接层、softmax激活函数、用于计算所述成对损失的成对损失计算函数、用于计算所述分类损失的分类损失计算函数和用于计算所述余弦损失的余弦损失计算函数；