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: 2019108449562
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于对比相似性损失函数的细粒度图像检索方法,其特征在于所述方法包括如下步骤:步骤一、利用类间相似性并通过不对称距离实现有效样本的采样,对有效样本对进行采样的公式如下:式中, 是当前锚点图像i与其正样本图像j的成对相似性, 是当前锚点图像i与其负样本图像j的成对相似性,yk≠yi表示图像i与图像k具有不同的标签即图像i与图像k是负样本对,yk=yi表示图像i与图像k具有相同的标签即图像i与图像k是正样本对,Sik表示当前锚点图像i与图像k的成对相似性,max表示求最大值,min表示求最小值,ε表示选择正样本对时给定的距离,m1表示扩展负样本对区域的边距,(ε+m1)表示选择负样本对时的固定距离;

步骤二、分析训练集样本对的相似性并根据样本对相似性违反其对应边界值的程度为不同样本对分配不同的权重;

步骤三、构建对比相似性损失函数,对比相似性损失函数的公式如下:

式中,N是网络训练是Batch的尺寸,i是当前Batch中的锚点图像,β1是正样本对权重的超参数,β2是负样本对权重的超参数,Ni表示当前锚点图像i的负样本对集,Pi表示当前锚点图像i的正样本对集,Sik表示当前锚点图像i与图像k的成对相似性,α表示优化时负样本对的边界,m2表示正负样本对的边距,(α+m2)表示正样本对的边界;

步骤四、采用Inception network with Batch Normalization作为基准网络在ILSVRC2012‑CLS进行预训练初始化网络参数;

步骤五、使用对比相似性损失函数训练步骤四初始化得到的网络,在训练过程中通过Adam调整网络参数,得到更适用于细粒度图像检索任务的网络;

步骤六、将测试集图像通过单中心裁剪实现数据增强后输入到步骤五微调后的网络中,通过训练后的网络提取具有识别力的嵌入特征,输出特征向量;

步骤七、计算查询图像和测试集中其余图像嵌入特征的余弦相似度,将计算得到的值用以衡量图像的相似性,再根据图像的相似性排序返回查询图像的检索序列。

2.根据权利要求1所述的基于对比相似性损失函数的细粒度图像检索方法,其特征在于所述成对相似性的计算公式如下:Sij=;

式中,Sij是当前样本对的成对相似性,f(i)是图像i输入网络后输出的特征向量,f(j)是图像j输入网络后输出的特征向量,表示特征向量f(i)和特征向量f(j)每一维乘积的和。

3.根据权利要求1所述的基于对比相似性损失函数的细粒度图像检索方法,其特征在于所述步骤二中,权重的计算公式如下:式中, 是当前负样本对的权重, 是当前正样本对的权重,Sij是当前样本对的成对相似性,Sik表示当前锚点图像i与图像k的成对相似性,Ni表示当前锚点图像i的负样本对集,Pi表示当前锚点图像i的正样本对集,β1是正样本对权重的超参数,β2是负样本对权重的超参数,α表示优化时负样本对的边界,m2表示正负样本对的边距,(α+m2)表示正样本对的边界。

4.根据权利要求1所述的基于对比相似性损失函数的细粒度图像检索方法,其特征在于所述步骤七中,余弦相似度的计算公式如下:式中,f(i)表示图像i输入网络后输出的特征向量,f(j)表示图像j输入网络后输出的特征向量,∑f(i)表示特征向量f(i)每一维的平方和,∑f(j)表示特征向量f(j)每一维的平方和,∑f(i)f(j)表示特征向量f(i)和特征向量f(j)每一维乘积的和。