1.基于标记样本扩充和样本选择的数据检索方法,其特征在于,包括:
获取待检索的图像样本,利用样本外扩展映射计算其哈希码;
计算待检索图像样本与检索数据库中哈希码的海明距离,并按照海明距离从小到大的次序返回相似数据;
其中,基于一个标记样本扩充策略对无标记样本打伪标签;
基于标记样本及其标签建立监督损失,基于无标记样本及其伪标签建立无监督损失,根据监督损失和无监督损失建立半监督哈希的目标函数;
在目标函数优化和样本选择间迭代,获取检索数据库的哈希码,并利用检索数据库的哈希码学习样本外扩展映射。
2.如权利要求1所述的基于标记样本扩充和样本选择的数据检索方法,其特征在于,所述标记样本扩充策略为:对每一类标记样本,利用bi‑kmeans算法确定簇中心,作为该类样本的质心;然后,将这些质心作为锚点,利用局部锚点嵌入算法得到对无标记样本的重建权重系数;最后,利用重建权重系数对相应类别进行加权,得到无标记样本的伪标签。
3.如权利要求1所述的基于标记样本扩充和样本选择的数据检索方法,其特征在于,所述目标函数由监督损失、无监督损失和监督哈希模型与无监督哈希模型的差异损失构成。
4.如权利要求1所述的基于标记样本扩充和样本选择的数据检索方法,其特征在于,所述监督损失由成对相似度嵌入损失、标签嵌入损失和哈希投影的量化损失构成,无监督损失由样本选择损失和自步正则化损失构成。
5.如权利要求4所述的基于标记样本扩充和样本选择的数据检索方法,其特征在于,无监督损失采用自步学习框架,通过计算样本的难易度进行样本的选择。
6.如权利要求1所述的基于标记样本扩充和样本选择的数据检索方法,其特征在于,在目标函数优化和样本选择间迭代的过程中,采用自步学习框架,首先通过交替方向乘子法更新目标函数中的变量和参数,然后通过计算样本的难易度进行样本选择,依次迭代,直至达到预设的终止条件。
7.基于标记样本扩充和样本选择的数据检索系统,其特征在于,包括:
哈希码计算模块,用于获取待检索的图像样本,利用样本外扩展映射计算其哈希码;
在线检索模块,用于计算待检索图像样本与检索数据库中哈希码的海明距离,并按照海明距离从小到大的次序返回相似数据;
其中,基于一个标记样本扩充策略对无标记样本打伪标签;
基于标记样本及其标签建立监督损失,基于无标记样本及其伪标签建立无监督损失,根据监督损失和无监督损失建立半监督哈希的目标函数;
在目标函数优化和样本选择间迭代,获取检索数据库的哈希码,并利用检索数据库的哈希码学习样本外扩展映射。
8.如权利要求7所述的基于标记样本扩充和样本选择的数据检索系统,其特征在于,所述标记样本扩充策略为:对每一类标记样本,利用bi‑kmeans算法确定簇中心,作为该类样本的质心;然后,将这些质心作为锚点,利用局部锚点嵌入算法得到对无标记样本的重建权重系数;最后,利用重建权重系数对相应类别进行加权,得到无标记样本的伪标签。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1‑6中任一项所述的基于标记样本扩充和样本选择的数据检索方法步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1‑6中任一项所述的基于标记样本扩充和样本选择的数据检索方法步骤。