[发明专利]一种利用深度卷积网络生成用于图像检索的哈希码的方法

摘要

本发明的目的在于获得能使图像检索准确率更高的哈希码，提出了一种利用深度卷积网络生成用于图像检索的哈希码的方法。本方法选择当前性能较好的DenseNet模型作为基础模型，提取图像特征，在分类层前添加一个哈希层，哈希层的输出经过二值化后获得图像的哈希码。本发明方法采用两个权重共享的基础网络，在训练模型时，将图像对作为输入，在损失函数中加入了图像的分类损失和图像对的相似损失，训练后获得的相似图像的哈希码更加相似。并且，本发明方法设计了一种新的哈希函数，将哈希层输出的每一位上的值进行排序，根据排序结果对哈希层的输出进行二值化，从而获得哈希码。本发明方法获得的哈希码用于图像检索时能有效地提高检索的平均准确率。

主权项

1.一种利用深度卷积网络生成用于图像检索的哈希码的方法，其特征在于，具体步骤如下：步骤1，建立图像对的相似信息矩阵S：将图像分类数据库中的同一类图像视为相似图像，以此建立图像对的相似信息矩阵S；步骤2，设计整体网络模型：将DenseNet去除最后的输出层作为基础网络模型提取图像特征，在基础网络模型后添加一个哈希层用以获得哈希码，哈希层后添加分类输出层用以获得图像分类信息；步骤3，损失函数设计：为了使得相似图像哈希码相似，损失函数中包含有以下损失：根据分类信息获得的分类损失、图像对的相似信息损失、哈希变换过程中的量化损失；步骤4，哈希函数设计：考虑哈希层的输出向量中位与位之间的关系，提出哈希函数，对哈希层输出的各位上的数字进行从大到小排序，如果特征向量某一位上的值在排序中靠前一半，则编码为1；若在排序中靠后一半，则编码为0；步骤5，模型训练：采用两路的基础模型对输入图像对中的两幅图像同时提取图像特征，两路基础模型的权重共享，使用随机梯度下降优化算法对模型进行训练；步骤6，获得图像哈希码：将图像输入到步骤5训练好的模型中，获得对应的哈希码。