[發明專利]基于分布熵增益損失函數的圖像檢索算法

有效

• 申請號: 201910340096.9
• 申請日: 2019-04-25
• 公開（公告）號: CN110321451B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 劉萍萍;苗壯;勾貴霞;郭慧俐;石立達;金百鑫;王振;王慧;龔柯
• 申請（專利權）人: 吉林大學
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06V10/774;G06V10/82;G06K9/62
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

本發明公開了一種基于分布熵增益損失函數的圖像檢索算法，所述算法使用預訓練網絡進行初始化，根據圖像檢索任務的需求訓練網絡，在訓練網絡時使用自行設計的分布熵增益損失函數，提升了圖像檢索的準確率；分布熵增益損失函數結合了對比損失函數和相對熵，增強了訓練網絡時圖像相似性度量的準確性；對比損失函數通過歐氏距離計算特征之間的相似度，相對熵可以用于衡量特征向量之間的分布差異，將相對熵補充到對比損失函數中改善了特征向量相似性度量；使用分布熵增益損失函數訓練網絡模型，通過調整網絡參數得到更適用于圖像檢索任務的網絡模型，訓練后的網絡模型在圖像檢索實驗中取得了更優的檢索效果。

技術領域

本發明屬于圖像檢索技術領域，涉及一種通過分布熵增益損失函數訓練網絡的圖像檢索算法。

背景技術

伴隨著互聯網技術的蓬勃發展，社交軟件豐富多樣，多種形式的多媒體信息充斥著我們的生活。如何快速、準確地捕捉并能有效利用多媒體信息成為一個重要的研究課題，引起了學術界的廣泛關注。在這種趨勢下，圖像檢索技術得到了充分又全面的發展。

近年來，隨著神經網絡成功應用于圖像分類后，研究者越來越關注神經網絡在圖像檢索領域的應用，大量研究表明神經網絡卷積層輸出的特征具備出色的區分性和擴展性。因而，近年來基于卷積神經網絡的圖像檢索算法層出不窮，基于卷積神經網絡的圖像檢索方法主要分為三類，分別是微調網絡、預訓練網絡和混合網絡。其中混合網絡在圖像檢索任務中效率較低，使用更多的是預訓練網絡。雖然預訓練網絡已經取得了令人驚嘆的檢索性能，但其往往不具備與圖像檢索任務相匹配網絡參數，因此圖像檢索網絡微調成為比較熱門的研究話題。微調網絡是通過預訓練的圖像分類模型對網絡進行初始化，然后在此基礎上針對不同的任務進行參數調整。通常使用經過微調的檢索網絡比直接應用預訓練模型的效果更好。微調網絡一般通過度量學習的網絡架構訓練網絡以更新網絡參數，使得訓練后得到的網絡架構更加貼近圖像檢索這項任務，當下較為流行的度量學習網絡架構孿生網絡結合成對損失函數或三元損失函數。

基于卷積神經網絡的圖像檢索關鍵在于訓練出一個與檢索任務高度匹配的網絡，通過訓練的網絡提取表達能力更強的特征向量，提高圖像檢索的準確率。在訓練網絡參數時最重要的是訓練數據集和度量學習的網絡架構，使用SfM算法可以自動匹配訓練數據得到訓練集，此外可以通過分布熵增益損失函數改進度量學習網絡的訓練，這對提升圖像檢索的準確率有著重要的促進作用。可見，基于分布熵增益損失函數的圖像檢索算法具有廣泛的應用前景。

發明內容

本發明的目的是提供一種基于分布熵增益損失函數的圖像檢索算法，使用分布熵增益損失函數訓練網絡調整網絡參數，為圖像檢索任務提供更準確的網絡模型，提升圖像檢索的準確率，實驗時檢索的準確率利用平均準確率(mAP)表示。

本發明的目的是通過以下技術方案實現的：

一種基于分布熵增益損失函數的圖像檢索算法，利用分布熵增益損失函數訓練網絡，網絡訓練過程中通過反向傳播修改網絡參數，在訓練過程中，調整參數是為了減小匹配的圖像對之間的歐氏距離同時增大不匹配的圖像對之間的歐氏距離，使最終得到的網絡模型更加符合圖像檢索的需求。具體實施步驟如下：

步驟一、構建分布熵增益損失函數：

L＝L1+(0.1×L2)；

其中，L表示分布熵增益損失函數，L1表示對比損失函數，L2表示特征向量相對熵；

步驟二、采用ResNet101和VGG16對卷積神經網絡進行初始化；

步驟三、使用分布熵增益損失函數訓練步驟二初始化得到的網絡，在訓練過程中通過反向傳播和調整網絡參數，以得到更加符合圖像檢索需求的網絡模型；

步驟四、對測試集中所有圖像進行多尺度預處理，將預處理之后的多尺度圖像輸入到通過步驟三訓練得到的網絡模型中，通過訓練后的網絡模型提取不同尺度下的圖像特征向量；