[发明专利]基于改进Soft-Max损失函数的图像相似度计算方法

摘要

本发明公开了一种基于改进型Soft‑Max损失函数的图像相似度计算方法，图像识别网络中的改进型Soft‑Max层的激活函数采用改进型Soft‑Max激活函数，反向传播过程中采用改进型Soft‑Max损失函数更新网络权值，改进型Soft‑Max损失函数与传统的Soft‑Max损失函数相比增加了通过图像识别网络学习得到的决策边缘；在测试阶段用训练好的图像识别模型对两张测试图像提取特征向量，计算得到特征向量之间的余弦相似度，和设置的图像相似度阈值比较，如果大于等于图像相似度阈值则判定两张图像为同一类图像，如果小于图像相似度阈值则判定两张图像为不同类图像。

主权项

1.一种基于改进型Soft‑Max损失函数的图像相似度计算方法，其特征在于按照如下步骤进行：步骤(1)：准备图像识别训练数据集，将图像识别训练数据集输入到基于卷积神经网络的图像识别网络中开始训练，所述基于卷积神经网络的图像识别网络中包含卷积层，最大采样层，全连接层，改进型Soft‑Max层四种网络层，其中，一个卷积层与一个最大采样层构成一个图像识别子结构，图像识别网络包含N个串联的子结构，图像识别网络的最后三层分别为图像特征层、图像分类层和改进型Soft‑Max层，所述图像特征层和图像分类层分别为输出维度是C维和D维的全连接层，C表示图像特征数，D表示图像类别数，改进型Soft‑Max层激活函数为：其中，σ(xi)表示在图像识别网络中的改进型Soft‑Max层对第i个样本属于正确类别的预测概率值，xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值，yi表示第i个样本的图像类别标签，wj表示图像特征层与图像分类层之间的权重的第j列，b表示偏置项,n表示总训练样本的类别数，m表示决策边缘，由网络训练得到；步骤(2)：选用改进型Soft‑Max损失函数来进行图像识别网络的反向传播更新网络权值，训练得到一个图像识别的模型，所述改进型Soft‑Max损失函数计算公式为：其中，Li表示第i个样本的损失值，xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值，yi表示第i个样本的图像类别标签，wj表示图像特征层与图像分类层之间的权重的第j列，b表示偏置项,n表示总训练样本的类别数，λ表示权重系数，m表示决策边缘，由网络训练得到；步骤(3)：将两张待测试的图像P1和P2利用步骤(2)中得到的图像识别模型进行图像特征的提取，分别得到图像特征向量Pf1和Pf2，通过计算得到Pf1和Pf2之间的余弦相似度Pc,设置图像相似度阈值为Pt，如果Pc≥Pt，则判定图像P1和P2是同一类图像，如果Pc＜Pt，则判定图像P1和P2不是同一类图像，所述图像特征为步骤(1)中的图像特征层的输出。