[发明专利]深度度量学习图像检索系统优化方法、系统、设备及介质

权利要求书

1.一种深度度量学习图像检索系统优化方法，其特征在于，包括：

S1：获取图像检索系统当前训练轮次的三元组以及扰动幅度，并根据当前训练轮次的轮数以及上一训练轮次的扰动方式，得到当前训练轮次的扰动方式；

S2：当当前训练轮次的扰动方式为候选扰动时，基于所述扰动幅度迭代对抗三元组，至达到第一预设迭代次数或预设的候选扰动目标函数的函数值满足预设要求时，得到对抗三元组；当当前训练轮次的扰动方式为锚点扰动时，基于所述扰动幅度迭代对抗三元组，至达到第二预设迭代次数或预设的锚点扰动目标函数的函数值满足预设要求时，得到对抗三元组；

S3：通过对抗三元组，训练图像检索系统的深度度量学习模型；当当前训练轮次的轮数为预设最大轮数时，得到优化的图像检索系统；否则，将下一训练轮次作为当前训练轮次重复S1～S3。

2.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述获取图像检索系统当前训练轮次的三元组包括：

获取图像检索系统的若干训练样本，并随机选取一个训练样本作为锚点样本；

重复选取步骤至正确样本和错误样本的数量均达到预设值：

选取步骤：随机选取一个与锚点样本同类别的训练样本作为正确样本，基于正确样本从若干训练样本中选取一个训练样本作为错误样本；

其中，正确样本和错误样本满足：锚点样本与错误样本之间的欧氏距离大于锚点样本与正确样本之间的欧氏距离，且锚点样本与错误样本之间的欧氏距离与锚点样本与正确样本之间的欧氏距离之间相差不超过其中，m为当前训练轮次的轮数，M为预设最大轮数；

组合锚点样本以及所有正确样本和错误样本，得到当前训练轮次的三元组。

3.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述获取图像检索系统当前训练轮次的扰动幅度包括：

获取图像检索系统的扰动幅度增加步长；

将图像检索系统当前训练轮次的轮数与所述扰动幅度增加步长的乘积，作为图像检索系统当前训练轮次的扰动幅度。

4.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述根据当前训练轮次的轮数以及上一训练轮次的扰动方式，得到当前训练轮次的扰动方式包括：

当时，或且上一训练轮次的扰动方式为锚点扰动时，当前训练轮次的扰动方式为候选扰动；否则，当前训练轮次的扰动方式为锚点扰动。

5.根据权利要求1所述的深度度量学习图像检索系统优化方法，其特征在于，所述候选扰动目标函数l_CAP为：l_CAP＝φ(H)+γ(H)；

其中，H为三元组的难度，H＝d(A，P)-d(A，N)，A为三元组的锚点样本，P为三元组的正确样本集，N为三元组的错误样本集，d(A，P)为A与P中各正确样本之间欧氏距离的和，d(A，N)为A与N中各错误样本之间欧氏距离的和；

当H＞0时，φ(H)＝d(A，P)-d(A，N)；当H＜0时，φ(H)＝d(A，N)-d(A，P)；

当H＞ξ时，当H＜-ξ时，当-ξ＜H＜ξ时，γ(H)＝γ_t-1；其中，ξ为预设模型崩塌阈值，γ_t-1为上一次迭代扰动时γ(H)的取值，δ为预设距离变化步长，B为三元组中正确样本和错误样本的数量和。