[发明专利]基于生成对抗性自动增强网络的图像检索方法及装置

说明书

本发明公开了基于生成对抗性自动增强网络的图像检索方法，包括对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像，将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行，由测试集街景图像和验证集街景图像进行测试和验证得到最终检索结果，以提高图像检索的准确度。

技术领域

本发明涉及图像检索技术领域，具体为一种基于生成对抗性自动增强网络的图像检索方法及装置。

背景技术

现今图像数据海量增长，希望以最小的人力和物力实现快速且精确的图像检索一直是一项重要的研究内容。传统的手工提取特征早已无法满足互联网时代对检索的高需求，目前的发展趋势主要是基于内容的图像检索。基于内容的图像检索通过对图像的分析，采用不同算法得到的模型来提取图像的特征并存储在特征数据库，这样可节省大量资源，也反映了图像检索智能化。

近年，卷积神经网络通过不断训练与学习后，具有图像的局部感知能力与局部信息的融合能力，可以提取图像信息更丰富的深层语义特征，这被研究者应用于图像检索领域并取得了不错的成果。然而，图像检索核心难点是学习具有足够辨别力的图像表示，以区分GPS标记数据集中重复和相似的位置。它被视为弱监督任务，因为地理上靠近的图像在面向不同方向时可能无法描绘相同的场景。因此，数据图像的嘈杂背景会影响卷积神经网络的训练与学习，不利于提取出表征图像主体信息更强的深度特征。其次，经典卷积神经网络提取出的深度特征维度过高，特征表征能力不够强。最后，传统分类模型特征存在判别能力不足的缺点，并不适用于图像检索领域。

发明内容

本发明的目的在于提供一种能够提高图像检索准确度的基于生成对抗性自动增强网络的图像检索方法及装置。

本发明提供了基于生成对抗性自动增强网络的图像检索方法，包括如下步骤：

S1、对公开数据集的街景图像进行预处理；

S2、对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像；

S3、搭建生成包含增强策略网络和目标检索网络的生成对抗性自动增强网络；

S4、将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行；

S5、将测试集街景图像和验证集街景图像输入至训练与确定好模型参数的生成对抗性自动增强网络，进行测试和验证得到最终检索结果。

优选地，步骤S1包括如下步骤：

S1-1、获取公开数据集的街景图像；

S1-2、将公开数据集的街景图像的眼底图像进行裁剪，裁剪成统一的分辨率图像；

S1-3、对统一分辨率的图像进行亮度、对比度、饱和度和色调处理，然后进行归一化操作。

优选地，步骤S2中划分为训练集街景图像时，训练集中的每组街景图像包括一个查询图像、一个最简单的正图像、前n个困难的正图像和负图像。

优选地，步骤S4中包括将输入生成对抗性自动增强网络的训练集街景图像特征进行若干代模型训练，具体包括如下步骤：

S4-1、将第一代模型的输出作为第二代模型的监督，第一代模型通过与相同算法的方案进行训练；