[发明专利]一种基于端到端深度学习的视图地标检索方法

摘要

本发明公开了一种基于端到端深度学习的视图地标检索方法，包括以下步骤，S1：采集关键地标图片,进行预处理操作后作为训练数据；S2：将局部聚合描述子特征向量方法嵌入CNN，构成端到端的CNN模型；S3：将采集训练数据输入端到端CNN模型，提取图像局部不变特征，通过误差函数训练CNN模型，学习最优聚合簇中心点；S4：对待鉴定的视频流进行提取关键帧图片操作，与待鉴定的图片流后进行下采样操作，生成待鉴定地标数据集Q；S5：将Q输入所训练的CNN模型，进行局部不变特征向量提取，通过全连接层和数据输出层输出各地标类别计算结果；S6：根据训练设置的关键地标类别阈值，判断Q中每份数据是否存在关键地标类别,若存在则输出图片源名和地标的提示。

主权项

1.一种基于端到端深度学习的视图地标检索方法，其特征在于：包括以下步骤：S1：采集关键地标图片,在进行标记类别和下采样置设图片尺寸的预处理操作后作为训练数据；S2：将局部聚合描述符向量方法嵌入卷积型神经网络(CNN)，构成端到端的CNN网络模型，使得经过所述端到端的CNN网络模型提取的局部特征向量丧失了其位置特性，进一步解耦全局空间信息；S3：将所述训练数据输入所述的端到端CNN网络模型以提取图像局部不变特征，通过误差函数训练优化所述端到端CNN网络模型，利用所述CNN端到端网络模型的非线性能力在聚合局部不变特征时，学习更好的聚合簇中心点，提高所述图像局部不变特征的表示能力；S4：对用户需要鉴定的视频流进行提取关键帧图片操作后与需要鉴定的图片流后进行下采样操作设置图片尺寸，生成待鉴定地标数据集；S5：将用户预处理后的所述待鉴定地标数据集输入到所述端到端CNN网络模型，进行局部不变特征向量的提取，并通过全连接层和数据输出层输出各地标类别计算结果；S6：根据训练设置的每个关键地标类别阈值，判断所述测试数据集中的每份数据是否存在关键地标类别,若存在则输出图片源名和地标的提示。