一种基于深度散列与多特征融合的增量图像检索方法

技术特征：
1.一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，具体包括以下步骤：步骤1、将cifar
‑
10数据集和nus
‑
wide数据集按比例划分出查询集图像、原始数据集和增量数据集；步骤2、使用卷积神经网络vgg
‑
16将查询图像的每一层特征图像输出；步骤3、将提取的特征图像从高维图像到低维逐层做双线性插值处理，以匹配上一层特征图像的尺寸大小,并且将双线性插值处理过的特征图像逐层上采样得到融合的特征图像；步骤4、将步骤3的特征图像输入到五个普通卷积层conv6
‑
conv10，尺寸大小都为7
×
7，维度分别为64，192，384，256和256维，输出得到特征图像f；步骤5、经过步骤3和步骤4，将vgg
‑
16改进后得到新的模型，即为idfh模型，将步骤4中输出的特征像图f进行散列函数学习，使用idfh模型构造散列函数，使特征图像f的最后一个全连接层的长度输出为k，即是二进制散列码的长度；步骤6、使用增量损失函数保持查询点和数据库点之间的相似性。2.根据权利要求1所述的一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，所述步骤1中，在cifar
‑
10数据集中随机选取1000张图像作为查询集图像，每个类100张图像，其余的作为数据集图像；同样的在nus
‑
wide数据集中随机选择2100张图像作为查询集图像，每个概念相关的有100张图像，其余的作为数据集图像，形成r张图像的查询集；然后将数据集图像分为原始数据集和增量数据集两个部分；其中cifar
‑
10数据集图像的原始数据集和增量数据集的类别比例为7/3，nus
‑
wide数据集的原始数据集和增量数据集的类别比例为18/3。3.根据权利要求1所述的一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，所述步骤2中，具体为：在查询集图像中随机选取一张作为查询图像d
i
输入到基础卷积神经网络vgg
‑
16中，并输入到基础卷积神经网络vgg
‑
16中，基础网络vgg
‑
16的每一个大卷积层，即conv1
‑
2，conv2
‑
2，conv3
‑
3，conv4
‑
3和conv5
‑
3分别提取到的特征图命名为第一层特征图像f1，第二层特征图像f2，第三层特征图像f3，第四层特征图像f4，第五层特征图像f5，相邻的最大特征图之间相差步幅为2的空间分辨率，输出的特征图像的大小依次为224
×
224、112
×
112、56
×
56、28
×
28和7
×
7。4.根据权利要求3所述的一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，所述步骤3中，将步骤2中输出的第五层特征图像f5采用双线性插值扩大长宽为原来的两倍，然后与上采样后得到的第四层特征图像f4融合，得到特征图像f4；再将特征图像f4采用双线性插值扩大长宽为原来的两倍，然后再与f3进行融合得到特征图像f3；将特征图像f3采用双线性插值扩大长宽为原来的两倍，然后再与f2进行融合得到特征图像f2；将特征图像f2采用双线性插值扩大长宽为原来的两倍，然后再与f1进行融合得到特征图像f1。5.根据权利要求4所述的一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，所述步骤5中，深度散列函数的公式如式(2)所示：式中，b
si
表示有r张图像的查询图像数据集中的散列码，sign()是符号函数，f
(
·
)表示最后一个全连接层的输出。6.根据权利要求4所述的一种基于深度散列与多特征融合的增量图像检索方法，其特征在于，所述步骤6中，具体为：在步骤5之后，将原始数据集图像和增量数据集图像的索引分别表示为α＝{1,2,3,
…
,p}和β＝{1+p,2+p,3+p,
…
p+q}，将原始数据集和增量数据集采样的查询图像的索引分别表示为和然后设计了一个增量损失函数使得现有的原始图像的散列码去训练查询图像的散列码，同时直接优化增量图像的散列码增量损失函数中使用成对的标签l去减少或扩大相似或不相似对的二进制码之间的汉明距离，同时采用l2范数损失来最小化二进制编码对的内部乘积与相似性之间的差异，并将步骤5中学习到的散列函数整合到损失函数中，从而保持
‑
1和1在所有查询图像中的数量近似相等从而使得每一位散列码达到平衡，具体如式(3)所示；式中，b’表示有q张图像的增量图像数据集学习到的散列码，并且学习到的散列码，并且是b
i
的转置，λ和μ是超参数；a
j
是增量图像数据集中的第i张图像；b
j
是增量图像数据集中的第j张图像的散列码；当g
ij
＝+1表明a
i
和d
j
在语义上是相似的，相反的当g
ij
＝
‑
1则是不相似的，tanh(
·
)是连续松弛方法。

技术总结
本发明公开了一种基于深度散列与多特征融合的增量图像检索方法，具体为：首先，将CIFAR


技术研发人员：廖开阳 范冰 郑元林 章明珠 黄港 姚祎
受保护的技术使用者：西安理工大学
技术研发日：2021.05.20
技术公布日：2021/9/9