[发明专利]基于深度哈希的数字藏品检索方法及系统

权利要求书

1.一种基于深度哈希的数字藏品检索方法，其特征在于，包括以下步骤：

步骤S1.图像预处理，首先对训练图像进行缩放处理，缩放处理后再进行随机裁剪为图像特征提取所需要的图像尺寸，随后对裁剪后的图像进行正则化；

步骤S2.图像特征提取，将步骤S1中经过预处理的图像输入到卷积网络得到图像的高维特征；

步骤S3.定义中心学习队列，所述中心学习队列用于保存步骤S2中提取的高维特征；

步骤S4.哈希中心学习，从所述中心学习队列中的高维特征学习哈希中心；

步骤S5.哈希映射，将所述中心学习队列中的高维特征映射到特定长度的哈希码；

步骤S6.哈希损失函数学习，将训练集所有的训练图像通过步骤S1～S5得到每个训练图像的哈希码，使每个训练图像的数据靠近与其具有相同标签的哈希中心，远离与其不具有相同标签的哈希中心，同时还确保不同的哈希中心也是互相远离的，得到能够更好的保持数据的语义信息的哈希损失函数，哈希损失函数可以产生高质量的哈希码。

步骤S7.将步骤S6得到的哈希损失函数应用到数字藏品检索中。

2.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S1中，所述训练图像为对象的单个视图或对象的多个不同视图；

当所述训练图像为对象的多个不同视图时，在步骤S2中，分别将不同视图经过预处理的图像输入到卷积网络得到不同视图的高维特征，将不同视图的高维特征进行均值融合得到对象最终的高维特征。

3.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S1中，将训练图像进行缩放处理得到图像的大小为(3,256,256),进行随机剪裁后图像的大小为(3,224,224)，随后进行图像正则化，其中正则化的均值和方差分别为([0.485,0.456,0.406],[0.229,0.224,0.225])，图像经过处理后得到图像数据集其中x_i∈R^D是数据集中的第i幅图像；给出数据集的标签信息其中C为数据集的总类别数。

4.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S2中，将预处理的图像输入到卷积神经网络中学习到图像的高维特征f:f_i＝F(x_i,θ)；其中x_i为预处理后的图像，θ为卷积神经网络的参数，F(x_i,θ)为高维特征学习函数，目的是学习图像的语义信息并保留至高维特征，f_i表示图像x_i经过高维特征学习函数所学习到的高维特征。

5.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S3中，定义两个中心学习队列：并初始化两个中心学习队列的长度为20；用于保存图像的高维特征，其中H为特征的维度，h为高维特征；用于保存图像标签，其中l对应高维特征的标签信息，C为数据集的总类别数。

6.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S4中，首先需要定义哈希中心并将哈希中心初始化，其中c_i代表图像第i类的哈希中心，K为哈希中心向量的长度，即二进制位数，由于哈希中心是从数据中学习到的，故需要进行反向传播，因此需要连续的哈希码；

哈希中心是将中心学习对列中的高维特征通过1*1的卷积，卷积的像素步长为1，卷积的像素填充为1，在经过卷积处理后得到m*2048的高维特征，其中m为数据集的总类数，也是哈希中心的数量；随后通过哈希映射的方式将过卷积处理后的高维特征映射到特定长度的哈希码，最终得到哈希中心。

7.根据权利要求1所述的基于深度哈希的数字藏品检索方法，其特征在于，在步骤S5中，将图像的高维特征映射到特定长度的哈希码得到图像的低维特征，随后用双曲线正切Tanh激活函数将图像的低维特征输出压缩到[-1,1]以内。