[發(fā)明專利]基于空間重要性的深度加權(quán)哈希學(xué)習(xí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010021252.8
• 申請(qǐng)日: 2020-01-09
• 公開(kāi)（公告）號(hào): CN111222003B
• 公開(kāi)（公告）日: 2022-10-25
• 發(fā)明（設(shè)計(jì)）人: 聶秀山;尹義龍;史洋
• 申請(qǐng)（專利權(quán)）人: 山東建筑大學(xué)
• 主分類(lèi)號(hào): G06F16/583
• 分類(lèi)號(hào): G06F16/583;G06F16/51;G06F16/901
• 代理公司: 山東瑞宸知識(shí)產(chǎn)權(quán)代理有限公司 37268
• 代理人: 徐健

本發(fā)明提供了一種基于空間重要性的深度加權(quán)哈希學(xué)習(xí)方法，包括以下步驟：(1)空間重要性提取：構(gòu)造深度空間重要性學(xué)習(xí)模型得到圖像的重要性和非重要性區(qū)域；(2)重要性區(qū)域和非重要性區(qū)域的哈希學(xué)習(xí)：對(duì)圖像的重要和非重要區(qū)域放入不同的深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)哈希碼，把兩類(lèi)哈希碼結(jié)合起來(lái)作為最終的哈希表示。與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)現(xiàn)圖像不同區(qū)域的分層次哈希碼學(xué)習(xí)，根據(jù)不同區(qū)域的重要性進(jìn)行哈希編碼，最終融合成圖像的哈希碼，本發(fā)明體現(xiàn)了圖像不同部分對(duì)哈希學(xué)習(xí)的影響作用，提高了哈希檢索的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于空間重要性的深度加權(quán)哈希學(xué)習(xí)方法，屬于多媒體信號(hào)處理、大數(shù)據(jù)檢索技術(shù)領(lǐng)域。

背景技術(shù)

隨著近年來(lái)互聯(lián)網(wǎng)、云計(jì)算、社交媒體以及其他信息技術(shù)的迅速發(fā)展，人們能夠更加便捷地使用傳感器，這使得通過(guò)傳感器上傳的數(shù)據(jù)包括大量的圖像和視頻。中國(guó)移動(dòng)研究院的一份簡(jiǎn)報(bào)中稱，人類(lèi)在2011年創(chuàng)造的數(shù)據(jù)達(dá)到180億吉字節(jié)(GB)，且每年還在以高于60％的速度增長(zhǎng)，預(yù)計(jì)到2020年，全球每年產(chǎn)生的數(shù)據(jù)將達(dá)到350萬(wàn)億吉字節(jié)(GB)。這些數(shù)據(jù)如何處理已成為亟待解決的問(wèn)題，而其中如何比較這些數(shù)據(jù)的相似性就是一個(gè)重要難點(diǎn)，最近搜索方法應(yīng)運(yùn)而生。

傳統(tǒng)的最近鄰搜索根據(jù)數(shù)據(jù)的相似性，從數(shù)據(jù)庫(kù)中尋找與目標(biāo)數(shù)據(jù)最相似的項(xiàng)目。這種相似性通常會(huì)被量化到空間上數(shù)據(jù)之間的距離，可以認(rèn)為數(shù)據(jù)在空間中的距離越近，則數(shù)據(jù)之間的相似性越高。但是隨著圖像采集設(shè)備的不斷升級(jí)，最近鄰搜索在處理維度較高的數(shù)據(jù)時(shí)速度慢的特點(diǎn)難以滿足人們的需求，即傳統(tǒng)的檢索方法無(wú)法獲得理想的檢索效果，無(wú)法在可接受的時(shí)間內(nèi)檢索到結(jié)果。迫切需要尋求一種方法來(lái)解決最近鄰方法在檢索問(wèn)題上的不足，近似最近鄰檢索方法在檢索速度上的突出表現(xiàn)引起了研究人員的注意。

近似最近鄰檢索利用數(shù)據(jù)量增大后數(shù)據(jù)之間會(huì)形成簇狀聚集分布的特性，通過(guò)對(duì)數(shù)據(jù)分析聚類(lèi)的方法對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行分類(lèi)或編碼，對(duì)于目標(biāo)數(shù)據(jù)根據(jù)其數(shù)據(jù)特征預(yù)測(cè)其所屬的數(shù)據(jù)類(lèi)別，返回類(lèi)別中的部分或全部作為檢索結(jié)果。而近似最近鄰檢索的核心思想就是搜索可能是近鄰的數(shù)據(jù)項(xiàng)而不再只局限于返回最可能的項(xiàng)目，在犧牲可接受范圍內(nèi)的精度的情況下提高檢索效率，這使得在可接受的時(shí)間范圍內(nèi)也能獲得令人滿意的效果。哈希作為近似最近鄰檢索技術(shù)的一種方法，將可視空間的高維數(shù)據(jù)映射到海明空間的緊湊型二進(jìn)制代碼中。由于哈希具有出色的存儲(chǔ)容量和高效的計(jì)算能力，引起了研究人員的廣泛關(guān)注。

發(fā)明內(nèi)容

本發(fā)明從對(duì)圖像識(shí)別的貢獻(xiàn)度的角度考慮空間重要性信息，也就是說(shuō)，如果某個(gè)像素位置的數(shù)據(jù)能夠?qū)D像的識(shí)別有較大的幫助，我們就認(rèn)為這個(gè)像素位置的空間重要性高，反之認(rèn)為該位置的空間重要性低。基于對(duì)上述空間重要性信息的研究和利用，本發(fā)明提出了一種基于空間重要性的深度加權(quán)哈希學(xué)習(xí)方法，提升了哈希學(xué)習(xí)的性能。與現(xiàn)有哈希技術(shù)相比，本發(fā)明可以學(xué)習(xí)得到空間重要性信息并利用它學(xué)習(xí)哈希碼，提高了利用哈希技術(shù)進(jìn)行大數(shù)據(jù)檢索的效率和精確性。現(xiàn)有的文獻(xiàn)和技術(shù)中，并沒(méi)有出現(xiàn)利用空間重要性信息加權(quán)得到哈希碼的技術(shù)和方法。

本發(fā)明采用的技術(shù)方案為：

一種基于空間重要性的深度加權(quán)哈希學(xué)習(xí)方法，其特征在于該方法包括以下步驟：

(1)利用深度網(wǎng)絡(luò)學(xué)習(xí)空間重要性信息：構(gòu)造深度空間重要性學(xué)習(xí)模型，即將圖像送入深度網(wǎng)絡(luò)，深度網(wǎng)絡(luò)根據(jù)圖像的像素位置對(duì)圖像分類(lèi)的敏感程度以及圖像的分類(lèi)標(biāo)簽信息學(xué)習(xí)得到圖像的空間重要性信息，所述空間重要性信息是表征原始圖像中每個(gè)像素位置的數(shù)據(jù)對(duì)于整個(gè)圖像的識(shí)別的貢獻(xiàn)度的信息，如果某個(gè)像素位置的數(shù)據(jù)能夠?qū)D像的識(shí)別有較大的幫助，就認(rèn)為這個(gè)像素位置的空間重要性高，反之認(rèn)為該位置的空間重要性低；

(2)重要性區(qū)域和非重要性區(qū)域的哈希學(xué)習(xí)，具體步驟為：

①通過(guò)步驟(1)得到的重要性信息以及原圖像，生成圖像的重要性區(qū)域和圖像的非重要性區(qū)域；

②將圖像的重要性區(qū)域和圖像的非重要性區(qū)域放入兩個(gè)不同的深度網(wǎng)絡(luò)；