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: 2022102328284
申请人: 南京邮电大学
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:

1.一种基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:所述无监督图像嵌入学习方法包括如下步骤:步骤1:搭建基于Pytorch的深度学习框架运行环境;

步骤2:在步骤1搭建好的深度学习框架运行环境下搭建执行无监督嵌入学习任务的网络模型,所述网络模型主要包含五个模块:特征提取模块,规范化模块,最近邻挖掘模块,困难样本挖掘模块,嵌入学习模块;特征提取模块提取无监督嵌入学习任务给定的数据集里的图像特征,所述规范化模块将特征提取模块提取到的图像特征的深度特征向量的每个元素除以向量的模进行规范化,最近邻挖掘模块对规范化后的特征执行样本特征的邻域挖掘,使用困难样本挖掘模块对样本进行选择,嵌入学习模块将困难样本挖掘模块困难正负样本结合为一体进行优化,更新网络参数,使得模型学习到高判别性图像特征;

步骤3:使用数据集通过端到端的方式对步骤2的网络进行训练;

步骤4:将步骤3完成训练后的图像输入到步骤2的无监督嵌入学习任务的网络模型中,根据图像特征之间的余弦相似性检索出相似度最近的图像,如检索到的图像属于同一类别,则检索成功。

2.根据权利要求1所述基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:步骤2中所述最近邻挖掘模块是通过构建最近邻形成邻域图,在邻域图内运用深度优先搜索策略挖掘强连通图,以此构成邻域,邻域内的样本共享类别信息。

3.根据权利要求1所述基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:所述步骤2中使用困难样本挖掘模块对困难样本挖掘具体为:对于目标样本,在同类样本中挖掘出与其不相似的样本作为困难正样本,在不同类中挖掘出与其相似的样本作为困难负样本。

4.根据权利要求1所述基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:在步骤2中的嵌入学习模块中,引入损失函数将最近邻挖掘模块挖掘到的困难正负样本结合为一个整体,同时度量目标样本与困难正负样本之间的余弦相似性,并且利用超参数平衡正负样本所占的权重,将其与困难正样本特征向量之间的的余弦相似性增大,并将其与困难负样本特征的余弦相似性减小,通过优化该目标,采用随机梯度下降法更新网络参数,使得模型学习到高判别性图像特征。

5.根据权利要求1所述基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:步骤2中的所述特征提取模块采用在ImageNet上预训练过的GoogLeNet网络作为特征提取器,在GoogLeNet的第五个池化层之后增加一个128维到的全连接层作为特征嵌入层,在提取特征的过程中,将无监督嵌入学习任务给定的数据集里的训练图像随机裁剪为

227×227来进行数据增强。

6.根据权利要求1所述基于最近邻与困难样本挖掘的无监督图像嵌入学习方法,其特征在于:所述步骤3的训练具体为:将所有图像随机裁剪为227×227来进行数据增强,使用

0.9动量的SGD优化器并将权重衰减设置为5*10^‑4,直到网络参数达到最优状态停止训练。