[发明专利]一种引入对抗训练的基于内容的实例检索方法

摘要

一种引入对抗训练的基于内容的实例检索方法，包括以下步骤：步骤一、网络构建；步骤二、数据集预处理；步骤三、网络训练；步骤四、评价检索测试。在特征提取步骤结束后，在检索步骤中引入对抗训练。给定查询图像以及数据库图像的特征向量，生成器和判别器能够通过最大化最小化对抗训练来提高双方的性能：生成器模型能够找出和查询图像拥有相同实例目标且相似度最高的前k张图片，判别器模型能够最大程度的判断生成器输出的前k张图片和查询图片是否相似。本发明解决了深度学习中面临的训练过程中需要大量标注信息的问题，同时也是生成对抗网络在实例级图像检索任务中的一次成功实现。

主权项

1.一种引入对抗训练的基于内容的实例检索方法，其特征在于，所述方法包括以下步骤：步骤一、网络构建，过程如下：步骤1.1：该对抗检索网络框架由一个生成模型和一个判别模型两部分组成，生成模型和判别模型都是由一层的1X1卷积网络构成；步骤1.2:生成模型的一层的1X1卷积层后接Relu激活函数；步骤1.3：生成模型的Relu激活函数后接距离度量函数；步骤1.4:生成模型的输出结果作为判别模型的输入；步骤1.5:判别模型的一层的1X1卷积层后接Relu激活函数；步骤1.6：判别模型的Relu激活函数后接相似性得分函数；步骤1.7：判别模型把计算出的相似性得分反馈到生成模型中；步骤二、数据集预处理；步骤三、网络训练，过程如下：步骤3.1：用随机权值初始化生成模型和判别模型参数；步骤3.2：训练生成模型，过程如下：步骤3.2.1:生成模型通过1X1卷积层对输入的查询数据集Q和数据库数据集D的特征进行进一步权值优化；步骤3.2.3：针对每一张查询图片，生成模型计算其与数据库数据集中的所有图片的余弦距离，最后利用softmax函数根据图像间的距离转化成图片相似性概率，根据概率高低从待检索数据集D中选择前K张图片特征作为生成器的输出；步骤3.2.4：用Adam算法最小化损失函数；步骤3.3：训练判别模型，过程如下：步骤3.3.1:将生成器返回的前K张的图片特征以及查询图像的特征作为判别器的输入，并通过1X1卷积层重新对查询图片和生成器返回的前K张图片的特征进行进一步权值优化；步骤3.3.2:重新计算每一个查询图片和返回的前K张图片之间的余弦距离，并根据距离给出相似性得分；步骤3.3.3:判别器将计算出的相似性得分反馈到生成器中,直接作用于生成器的损失函数，从而影响接下来对待检索图片的选择；步骤3.4：用随机梯度下降算法最小化损失函数；步骤四、评价检索测试，过程如下：步骤4.1：将预处理好的测试数据集Q’送入训练完成的最优生成器模型；步骤4.2：生成器针对给定的查询图片，从数据库数据集D中检索出前K张拥有相同实例目标的图片。