[发明专利]一种基于深度学习的图像哈希编码方法

摘要

本发明公开了一种基于深度学习的图像哈希编码方法。本发明包括如下步骤：步骤1、采用在ImageNet图像识别数据库上训练好的图像分类模型GoogLeNet作为初始化的基本网络结构，并将GoogLeNet模型的最后一层分类层替换为哈希层，该哈希层的单元数即为图像要编码成的比特数；步骤2、对GoogLeNet模型的参数进行优化；步骤3、将图像检索数据集中的图像输入至优化好的GoogLeNet模型，并将GoogLeNet模型输出的浮点数量化为二值码，从而得到每幅图像的二值码。本发明实现了图像特征与哈希函数的联合优化，克服了传统哈希方法学习到的哈希编码与图像特征不符的缺点。

主权项

一种基于深度学习的图像哈希编码方法，其特征在于包括如下步骤：步骤1、采用在ImageNet图像识别数据库上训练好的图像分类模型GoogLeNet作为初始化的基本网络结构，并将GoogLeNet模型的最后一层分类层替换为哈希层，该哈希层的单元数即为图像要编码成的比特数；步骤2、对GoogLeNet模型的参数进行优化；2‑1.每次迭代将从图像检索数据集中选取的50幅图像，作为GoogLeNet模型的输入；并且将图像上人工标注的标签信息同时作为GoogLeNet模型的输入，用于判断图像间的相似性；共迭代M次；2‑2.在每次迭代中，将从图像检索数据集中选取的50幅图像随机两两组合构成成对图像，并通过成对图像的标签信息判断两幅图像是否相似，从而对成对图像进行损失计算；2‑3.根据每幅图像输入进GoogLeNet模型得到的二值码，进行二值码均匀分布损失的计算和量化损失的计算；2‑4.计算出每一次迭代的图像的所有损失，即成对图像损失、二值码均匀分布损失和量化损失的累加；然后使用随机梯度下降算法和反向传播算法来对GoogLeNet模型的参数进行更新，迭代进行M次后，得到了优化好的GoogLeNet模型；步骤3、将图像检索数据集中的图像输入至优化好的GoogLeNet模型，并将GoogLeNet模型输出的浮点数量化为二值码，从而得到每幅图像的二值码。