[发明专利]基于监督转移的零样本哈希图片检索方法

摘要

本发明公开了一种基于监督转移的零样本哈希图片检索方法，属于图像哈希技术领域。本发明利用现有自然语言处理模型对已有训练数据的标签进行建模，形成一个标签空间。通过新的标签空间潜在的保存标签之间的关系，训练从图片特征空间到标签空间的映射。在此基础上，将此映射关系反映在哈希码上。本发明对训练样本没有严格要求，应用范围广，特别是在大型数据库里，当类别较多且无法对每一个类别找出训练样本时，本发明可以极大程度地提高对于该类别的图片检索准确率。

主权项

基于监督转移的零样本哈希图片检索方法，其特征在于，包括下列步骤：步骤1:对训练样本集进行图片与图片标签的预处理，得到训练样本集的图片特征向量集X、标签向量集Y，每个训练样本的图片特征向量用xi表示，对应的标签向量为yi，下标为训练样本标识符；步骤2：基于训练样本的图片特征向量集X、标签向量集Y进行哈希函数训练：步骤201：随机初始化语义整合矩阵R、哈希码矩阵B、映射关系矩阵W、哈希矩阵P；其中，RTR＝Ic，Ic表示c×c的单位矩阵，c表示预设的类别数目，符号(·)T表示矩阵转置；矩阵B＝[b1,b2,…,bn]∈{‑1,1}l×n表示所有训练样本哈希码构成的哈希码矩阵，l表示哈希码的长度，n表示训练样本集数量，bi∈{‑1,1}1×n表示第i个样本的哈希码，i＝1,2,…,n；映射关系矩阵W表示从哈希码到监督的标签向量的映射关系矩阵，且W为l×c维的实数域矩阵；哈希矩阵P为l×m维的实数域矩阵，其中m表示标签向量的维数；步骤202：从训练样本的图片特征向量x中随机选择m个核：a1,a2,…,am，根据公式计算φ(x)，其中x表示任意训练样本的图片特征向量，平衡系数δ的取值范围为[‑1,1]，m对应标签向量的维数；步骤204：根据L＝D‑S构建拉普拉斯矩阵L，其中D是一个对角矩阵，S表示样本的相似度矩阵，矩阵D的第i个对角元为矩阵S的元Sij表示训练样本i、训练样本j的图片特征向量xi、xj之间的相似度，相似度Sij的计算公式为：当xi在xj的预设领域内或xj在xi的预设领域内时，否则Sij＝0；其中σ的取值范围为0～1；步骤205：对目标方程进行离散求解，迭代得到语义整合矩阵R、哈希码矩阵B、映射关系矩阵W、哈希矩阵P的最优解，所述目标方程为：minf,W,B,R||RTY-WTB||F2+λ||W||F2+α||f(X)-B||F2+β||P||F2+γΣi=1nΣj=1nSij||f(xi)-f(xj)||F2]]>其中，表示矩阵的Frobenius范数，平衡参数λ、α、β、γ均为大于0的数，映射关系f是从特征空间到哈希码的哈希函数；步骤3：基于步骤2得到的哈希矩阵P，根据公式f(x)＝PTφ(x)生成各训练样本的哈希码；步骤4：输入待检索对象的图片It，并提取得到图片特征向量xt、标签向量yt；采用步骤202相同的方式计算当前图片的φ(xt)，再基于步骤2得到的哈希矩阵P，通过公式f(xt)＝PTφ(xt)生成当前图片的哈希码；基于哈希码，在检索范围中查找出目标图像的k个最邻近图像进行检索结果返回，其中k为预设值。