[发明专利]基于语义分割场景的示例搜索方法

摘要

本发明公开了基于语义分割场景的示例搜索方法，以解决对图片区域的近似搜索问题并将相似的区域通过哈希技术映射成相同或相似的二进制编码。为提高搜索效率，从大规模图片示例集中随机选取一部分示例作为抽样示例集来度量示例间的相似性，并在马氏距离度量学习时采用计算特征值方法求解最优解。得到距离度量矩阵后，利用哈希编码技术把原始示例映射成k比特的二进制编码，在搜索图片特定标记的近邻时，搜索该标记对应的示例的近邻，比较示例集中示例和该查询示例的汉明距离，小于给定的阈值认定为近似示例，返回近似示例所在的图片。本发明通过搜索近邻示例代替搜索近邻图片，提高了搜索的精确度，解决了传统近似搜索方法不能够定位标记的缺点。

主权项

基于语义分割场景的示例搜索方法，其特征在于包含以下步骤：步骤1：输入数据集样本矩阵X，X是n*d维的矩阵，n是示例的个数，d是图片特征的维度，并输入图片集对应的语义类标记矩阵Y，Y是n*c维的矩阵，n是示例个数，c是类标记的数量；步骤2：从数据集中随机抽取一部分示例作为抽样示例集，通过计算示例和抽样示例之间的相似度，减少计算时间开销，提高算法的效率；步骤3：对于数据集中的每一个示例，引入语义一致性构建目标函数表达式O(A)，其中A是d*d维的矩阵,d是图片特征的维度，是在编码阶段需要的马氏距离度量矩阵，通过特征值求解方式求最优解，即得到最优化的距离度量矩阵A；步骤4：对于每一个示例样本x，用距离度量矩阵A乘以示例样本x和抽样示例之间的距离，得到距离度量学习后的优化距离，然后再利用哈希技术进行编码，将示例由原始的d维特征压缩映射成k维的二进制编码；步骤5：对于一个新的查询图片q，具有标记c1和c2，要定位标记c1，首先用步骤3中训练得到的距离度量矩阵A乘以图片q中标记c1对应的示例和抽样示例之间的相似度，得到引入语义一致性之后的优化距离，再通过编码函数计算出查询示例的二进制编码，与图片数据集中各示例的二进制编码比较汉明距离，如果汉明距离小于设定的门限阈值r，即认为两示例是近似示例，返回示例所在的图片包，就可以追踪标记c1的近邻图片。