[发明专利]一种基于等量约束聚类的无监督图像哈希检索方法及系统

权利要求书

1.一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，包括：

获取待检索图像；

将数据库图像输入训练获得的哈希特征提取网络模型，得到数据库图像的二值化哈希码，所有数据库图像的二值化哈希码构成哈希码数据库；

将待检索图像输入训练获得的哈希特征提取网络模型，得到该待检索图像的哈希码，计算该待检索图像的哈希码与哈希码数据库中所有二值化哈希码的汉明距离，将汉明距离最小的数据库图像作为待检索图像的检索结果。

2.根据权利要求1所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，训练获得哈希特征提取网络模型，包括：

获取无标签训练图像；

利用软伪标签标注方法对无标签训练图像进行标注，得到无标签训练图像的软伪标签，并利用软伪标签去噪方法去除软伪标签的部分噪声标签；

基于得到的去除噪声标签的软伪标签，预设的损失函数Λ_S采用梯度更新对预先构建的哈希特征提取网络进行参数迭代更新，满足预设的迭代更新次数后，获得最终的哈希特征提取网络模型。

3.根据权利要求2所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，所述软伪标签标注方法包括：

利用预训练深度网络提取无标签训练图像的深度特征；

利用等量约束聚类算法对深度特征进行聚类，根据深度特征所在的聚类簇给无标签训练图像标注硬伪标签；

基于得到的硬伪标签，利用训练获得的软伪标签标注网络模型对无标签训练图像进行软伪标签标注，得到无标签训练图像的软伪标签。

4.根据权利要求3所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，训练获得软伪标签标注网络模型，包括：

获取包括带硬伪标签的无标签训练图像的无标签训练数据集；

将无标签训练数据集输入预先构建的软伪标签标注网络，预设的损失函数Λ_H采用梯度更新对预先构建的软伪标签标注网络进行参数迭代更新，满足预设的的迭代更新次数后输出获得最终的软伪标签标注网络模型。

5.根据权利要求3所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，所述等量约束聚类算法为在K-Means聚类算法基础上加入了聚类等量约束，等量约束聚类算法的目标函数J为：

式中，f表示利用预训练深度网络提取的无标签训练图像的深度特征，C_i表示第i个聚类簇，u_i表示第i个聚类簇的聚类中心，N表示无标签训练图像的数量；k表示无标签训练图像类别数量，i∈[1,k]。

6.根据权利要求4所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，所述预设的损失函数Λ_H为：

式中，表示无标签训练图像的硬伪标签；表示软伪标签。

7.根据权利要求6所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，所述预设的损失函数Λ_S为：

式中，表示哈希特征提取网络对无标签训练图像的预测概率分布，k表示无标签训练图像类别数量，i∈[1,k]。

8.根据权利要求1所述的一种基于等量约束聚类的无监督图像哈希检索方法，其特征在于，所述梯度更新为：

θ＝θ₀-η·g'(θ₀)，

式中，θ₀表示梯度更新前的网络参数，θ表示梯度更新后的网络参数；η表示学习率，取值范围为[0,1]，g'(θ₀)表示哈希特征提取网络或软伪标签标注网络在θ₀处的梯度。