[发明专利]一种基于稠密网络和多相似损失的服饰检索方法

权利要求书

1.一种基于稠密网络和多相似损失的服饰检索方法，其特征在于，包括如下步骤：

步骤S1，将图片的像素点矩阵作为图像输入，将所述图片的多个感兴趣区域坐标值作为感兴趣区域输入；

步骤S2，所述图像输入在所述稠密网络提取特征向量后，得到第一特征向量、第二特征向量及分类结果；

步骤S3，所述第一特征向量与所述感兴趣区域坐标值经区域池化层后得到局部特征；

步骤S4，所述第二特征向量经第一降维层后得到降维全局特征；

步骤S5，所述局部特征经第二降维层后得到降维局部特征；

步骤S6，所述降维全局特征与所述降维局部特征进行维度拼接，经平铺操作、全连接计算，得到最终全局与局部的联合向量；

步骤S7，所述第二特征向量以交叉熵损失函数作为损失函数，所述联合向量以多相似性损失函数作为损失函数，直到损失值降到最低，输出检索结果。

2.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，步骤S1中，所述感兴趣区域坐标值通过Kmeans方法得到。

3.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述感兴趣区域的数量为3块-5块。

4.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述第一降维层与所述第二降维层均包括3个卷积层、3个归一化层及3个激活函数层。

5.根据权利要求4所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述3个卷积层的卷积核分别为1x1、3x3、1x1。

6.根据权利要求4所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述激活函数层的激活函数为relu函数。

7.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述交叉熵损失函数的具体公式如下：

其中，x是样本，y是真实标签，a是预测值，n为数据个数。

8.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述多相似性损失函数的具体公式如下：

其中，m为数据的个数，α、β、λ均为可调整的阈值超参、L_MS为数据的多相似损失函数值。

9.根据权利要求1所述的基于稠密网络和多相似损失的服饰检索方法，其特征在于：

其中，所述稠密网络包括1个卷积层、1个池化层、4个稠密块、3个转化层及1个分类层。