欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019103400969
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于分布熵增益损失函数的图像检索算法,其特征在于所述图像检索算法包括如下步骤:步骤一、构建分布熵增益损失函数:

L=L1+(0.1×L2);

其中,L表示分布熵增益损失函数,L1表示对比损失函数,L2表示特征向量相对熵;

所述对比损失函数公式如下:

2

其中,f(q)和f(i)表示图像的特征向量,||f(q)‑f(i)||表示向量f(q)和向量f(i)的欧式距离,r表示负样本损失函数值的上限,Y(q,i)为1表示匹配,Y(q,i)为0表示不匹配;

步骤二、采用ResNet101和VGG16对卷积神经网络进行初始化;

步骤三、使用分布熵增益损失函数训练步骤二初始化得到的网络,在训练过程中通过反向传播调整网络参数,以得到更加符合图像检索需求的网络模型;

步骤四、对测试集中所有图像进行多尺度预处理,将预处理之后的多尺度图像输入到通过步骤三训练得到的网络模型中,通过训练后的网络模型提取不同尺度下的图像特征向量;

步骤五、对不同尺度下的图像特征向量使用广义均值池化方法、归一化处理和学习白化处理得到图像最终的特征向量;

所述学习白化是在网络模型训练结束后利用SfM算法生成训练集得到学习白化矩阵,使用线性判别投影,白化的训练步骤如下:白化部分是类内协方差矩阵 的平方根的倒数,计算公式如下:其中,f(i)和f(j)是图像的特征向量,Y(i,j)=1表示图像对匹配,CS表示匹配图像对的协方差矩阵;

旋转部分是类间协方差矩阵 的特征向量,计算公式如下:其中,f(i)和f(j)是图像的特征向量,Y(i,j)=0表示图像对匹配,CD表示非匹配图像对的协方差矩阵;

最后将投影 应用于 其中μ是GeM向量的平均值,用来实现数据中心化;

步骤六、计算查询图像和测试集中其他图像特征向量的欧氏距离,将计算得到的值用来衡量图像的相似性,并根据相似性得到查询图像的检索序列。

2.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述特征向量相对熵的计算公式如下:其中,k表示特征向量的维度,p(xi)和q(xi)表示被比较的图像对特征向量指定维度数值在特征向量上的频率分布。

3.根据权利要求2所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述p(xi)的计算公式如下:其中,i表示特征向量的维度编号,k表示特征向量的维度,xi表示特征向量上第i维上的值。

4.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述步骤一中,训练网络时采用的训练集是通过SfM算法得到的,在训练网络时,训练集数据以元组(q,m(q),N(q))的形式呈现,其中q是查询图像,m(q)是与查询匹配的图像,N(q)表示与查询不匹配的图像。

5.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述广义均值池化的计算公式如下:其中,k表示特征向量的维度,pk是指数,Xk是维度为k的特征图,||X||是特征图X的像素值个数,x表示特征图中的像素值。

6.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述欧氏距离计算公式如下:其中,f(i)表示图像i输入网络模型后输出的特征向量,f(j)表示图像j输入网络模型2

后输出的特征向量,||f(i)‑f(j)||表示特征向量f(i)和特征向量f(j)每一维值差的平方和。