[發明專利]基于多任務深度哈希學習的大規模物流商品圖像檢索方法

有效

• 申請號: 202110732492.3
• 申請日: 2021-06-29
• 公開（公告）號: CN113377981B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 聶秀山;王樂天;劉興波;王少華
• 申請（專利權）人: 山東建筑大學
• 主分類號: G06F16/53
• 分類號: G06F16/53
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

1.一種基于多任務深度哈希學習的大規模物流商品圖像檢索方法，其特征在于，包括如下步驟：

a)對輸入的物流商品圖像x_i進行圖像預處理，根據圖像x_i的標簽構建物流商品圖像之間的相似度矩陣S；

b)將預處理后的物流商品圖像經過卷積、池化處理后得到圖像的一維特征向量h_img，將一維特征向量h_img作為圖像低級特征；

c)將圖像低級特征h_img輸入多分支的網絡中得到多個長度哈希碼表示的圖像的高級表征B_k，多分支網絡由N個相同結構的分支組成；

d)通過公式計算相似度損失函數SI_Loss，s_ij為第i張圖像與第j張圖像之間的相似度，s_ij∈{1,0}，s_ij取值為1時表示第i張圖像與第j張圖像相似，s_ij取值為0時表示第i張圖像與第j張圖像不相似，b_i為第i張圖像數據的二值哈希碼，b_j為第j張圖像數據的二值哈希碼，T為轉置；

e)通過公式計算互信息損失函數MI_Loss，式中B_k為第k個分支輸出的哈希碼，k∈0,...,N-1，B_k+1為第k+1個分支輸出的哈希碼，W_k為將第k個分支輸出的哈希碼映射到第k+1個分支輸出的哈希碼的映射矩陣，γ_k為正則化參數，||·||₁為L1范數，a_k為優化參數；

f)利用隨機梯度下降算法對相似度損失函數SI_Loss和互信息損失函數MI_Loss進行優化，優化后重復執行步驟a)至步驟e)大于等于M次，得到訓練后的模型；

g)將數據庫中的圖像數據輸入到步驟f)中訓練后的模型中，得到每張圖像的不同長度的二值哈希碼表示組合B_database；

h)將需要檢索的圖片img_query輸入到步驟f)中訓練后的模型中，得到需要檢索圖片img_query的二值哈希碼表示組合B_query；

i)通過公式計算漢明距離Dist_Hamming，將計算得到的漢明距離Dist_Hamming基于Average Precision的度量方式返回所有檢索圖片查詢集的平均檢索精度Mean Average Precision，完成相似性檢索。

2.根據權利要求1所述的基于多任務深度哈希學習的大規模物流商品圖像檢索方法，其特征在于：步驟b)中有5個卷積層，每個卷積層后接入一個池化層，所述卷積層采用3*3大小的卷積核，所述池化層采用2*2大小的池化核，所述卷積層和池化層均采用Relu激活函數。

3.根據權利要求1所述的基于多任務深度哈希學習的大規模物流商品圖像檢索方法，其特征在于：步驟c)中多分支網絡由N個相同結構的分支組成，每個分支內部由3層全連接層相互串聯構成。

4.根據權利要求1所述的基于多任務深度哈希學習的大規模物流商品圖像檢索方法，其特征在于：步驟c)中N取值為大于0的正整數。

5.根據權利要求1所述的基于多任務深度哈希學習的大規模物流商品圖像檢索方法，其特征在于：步驟f)中M取值為5000。