[发明专利]基于部分参数共享的深度卷积神经网络跨域服装检索方法

摘要

本发明提供一种基于部分参数共享的深度卷积神经网络跨域服装检索方法，该方法利用了深度神经网络模型中越高层的网络层的特征越具有语义信息，与训练数据所在域的关系越密切，越低层的网络层的特征越具有一般性，越与训练数据所在域无关，依此让传统的深度卷积神经网络跨域服装检索模型中的低层的网络层参数共享，而高层的网络层参数由各个域保有。本发明是一种能够使用比传统深度卷积神经网络跨域服装检索模型方法更少参数但却获得相同效果的方法，通过利用深度神经网络模型内在的特性，显著性减少模型参数数量。

主权项

1.一种基于部分参数共享的深度卷积神经网络跨域服装检索方法，其特征在于，包括以下步骤：S1：将街拍域、线上商品域的图片分别输入到两路并行的结构完全相同的深度卷积神经网络f中，即：将街拍域的图片a输入一路深度卷积神经网络得到f(a|w_l,w_us)，将线上商品域的图片p，n输入到另一路深度卷积神经网络得到f(p|w_l,w_uo)和f(n|w_l,w_uo)；其中w_l为低层神经网络层共享的参数，w_us为街拍域的高层神经网络层参数，w_uo为线上商品域的高层神经网络参数；p与a为同一款服装，n与a为不同款服装；S2：计算图片a与p的距离D(a,p)＝‖f(a|w_l,w_us)‑f(p|w_l,w_uo)‖₂，a与n的距离D(a,n)＝‖f(a|w_l,w_us)‑f(n|w_l,w_uo)‖₂；S3：计算D(a,p)与D(a,n)的损失函数loss(D(a,p),D(a,n))＝max{0,m+D(a,p)²‑D(a,n)²}，这是一个类铰链损失函数，使得图片a与图片p在深度卷积神经网络f映射的空间中距离尽可能近，而图片a与图片n在深度卷积神经网络f映射的空间中距离尽可能远；m是一个超参数，用来控制同款服装与不同款服装在f映射的空间中距离差别的余裕度；S4：上述S1、S2和S3得到一个端对端的可训练的基于部分参数共享的深度卷积神经网络跨域服装检索模型，产生多组(a,p,n)三元图片组通过反向传播算法来进行训练模型，得到S1步中的参数w_l，w_us，w_uo；S5：通过S4训练得到的检索模型，将街拍域的图片s映射为特征f(s|w_l,w_us)，将线上商品域的图片o_i映射为f(o_i|w_l,w_uo)，i∈{1,2,…,N}，其中N是线上商品库中图片的数量；S6：分别计算f(s|w_l,w_us)与f(o_i|w_l,w_uo)的欧式距离，即D(s,o_i)＝‖f(s|w_l,w_us)‑f(o_i|w_l,w_uo)‖₂；S7：对D(s,o_i)进行由低到高的前K排序得到前K个最小欧式距离图片即为街拍域的图片s在线上商品域的图片集o_i，i∈{1,2,…,N}中的前K检索结果。