1.一种基于深度特征一致哈希算法的图像检索方法,其特征在于,该方法包括以下步骤:
s1:获取多标签或者单标签图像数据,包括训练集和测试集;
s2:预处理训练集;
s3:利用s2预处理后的训练集,对神经网络进行优化;
s4:将训练集输入到s3优化后的神经网络中得到哈希码;
s5:计算s4得到的哈希码与所述测试集得到哈希码的汉明距离,并按从小到大的距离排序,输出前k个检索结果,k取值为正整数,完成检索。
2.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,该方法还包括评估步骤s6:根据s5所得到的前k个检索结果的标签和测试集的标签,计算map,完成评估。
3.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s2中:所述预处理包括进行旋转、翻转和添加噪声操作中的一种或者几种。
4.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s3中的神经网络优化具体包括:
s3-1:根据训练集得到改进的语义相似度矩阵;
s3-2:将预处理后的训练集输入到神经网络中;
s3-3:并根据s3-1得到的语义相似度矩阵设置目标函数对神经网络进行训练和优化。
5.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s3-1具体为:给定n个训练集图像i={i1,i2,…,in},利用标签计算相似度矩阵,n取值为正整数;如果ii和ij具有任何相同的标签,那么sij=1,否则sij=0;使用百分比来计算s;公式如下:
其中,li和lj表示图像ii和ij的标签向量;<li,lj>表示图像ii和ij的内积;且根据公式(1),将图像分为两类:强相似性和弱相似性;强相似分为完全相似和完全不相似。
6.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s3-2中:所述神经网络为卷积神经网络,具体使用vgg19作为网络结构。
7.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s3-3具体为:传统的语义相似度矩阵的值只有1和0,给定所有图像的哈希码b={b1,b2,…bn}和语义相似度矩阵s=sij,条件概率p(sij|b)表示为:
其中,
使用公式(3)来计算具有强相似性的图像的损失;对于部分相似的图像,使用以下公式计算损失:
其中,bi,bj为图像的哈希码,<bi,bj>的范围为[-q,q],结合式(3)和式(4),用wij来标记这两种情况,即wij=1表示这两幅图片是强相似的,wij=0表示这两幅图片是弱相似的;因此,目标函数可以写为:
其中,γ是一个权重参数;
设定目标函数以减少损失,并鼓励网络输入准确的二进位码:
其中||·||1是向量的l1范数,|·|是绝对值运算,u为松弛的近似哈希码;
使用余弦距离来衡量配对特征的损失:
其中f为神经网络fc7层的输出特征向量;将式(7)与式(5)结合,得到如下目标函数:
结合数量损失和语义损失,最终目标函数如下:
其中,λ是控制量化损失的参数,b为图像的哈希码,u为松弛的近似哈希码,f为神经网络fc7层的输出特征向量。
8.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s4中:
s4-1:使用标准的反向传播和梯度下降法来优化目标函数;通过将哈希码b替换为u,所述目标函数(9)重写如下:
s4-2:再经过学习过程,得到了近似的哈希码,其值在(-1,1)范围内;
s4-3:为了评估该方法的有效性,使用以下公式来获得精确的哈希码:
最终通过上述一系列公式,最终实现了端到端地学习哈希码。
9.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法,其特征在于,所述s5为:将测试集输入到s4训练好的神经网络中得到其哈希码,并计算与s4中训练集哈希码的汉明距离,按从小到大的顺序排序,输出前k个检索结果,k取值为正整数。