1.一种基于特定类原型的深度哈希网络图像检索方法,其特征在于,包括如下步骤:S1,建立深度哈希网络模型;
所述深度哈希网络模型由图像数据的语义标签学习离散特定类原型作为语义标签的中间语义表示,建立所述图像数据的哈希码和所述特定类原型之间的粗略语义关系,并通过成对的监督信息构造所有哈希码之间的精细化语义关系得到;
S2,获取待检索的目标图像信息;
S3,根据所述深度哈希网络模型对所述目标图像信息进行检索,得到检索结果;
所述深度哈希网络模型的目标函数包含第一公式以进行学习离散特定类原型,所述第一公式为:T L×r
s.t.C=[c1,c2,…,cL]∈{‑1,1} ,r×N
B=[b1,b2,…,bN]∈{‑1,1} ,
h(xi)=sign(F(xi;θ))
L×N
其中, 是标签信息矩阵,可由Y=[Yki] ,Yki∈{0,1}根据公式 计算得到,表示特定类原型与所欲训练图像哈希码之间的语义相似和语义不相似信息;i(i=
1,2,…,N)是训练样本图像数据的序号,N为所述训练样本图像数据的数量,L为特定类原型的类数量;Yki表示训练样本集的标签信息,分别用于表示批次内第i个训练样本图像数据是否包含第k个类别目标;C表示特定类原型矩阵;xi表示第i个所述训练样本图像数据的特征向量;X表示所述训练样本图像数据的特征向量集合;映射关系h是将所述特征向量转换成r二进制哈希码的哈希函数,即深度哈希网络,其中F(xi;θ)∈R 表示所述深度哈希网络的输r出,θ为所述深度哈希网络参数, 和F(xi;θ)∈R中的r是所述深度哈希网络的输出宽度;bi表示第i个所述训练样本图像数据的哈希码;B表示训练样本映射到汉明空间中的哈希码矩阵;
所述深度哈希网络模型的目标函数还包含第二公式进行学习所述粗略语义关系,所述第二公式为:其中,i(i=1,2,…,M)是一个批次的训练样本图像数据的序号,M为所述批次大小,bi表示所述批次内第i个训练样本图像数据的深度哈希网络输出,即所述批次内第i个训练样本图像数据的哈希码;k(k=1,2,…,L)是所述特定类原型的类序号,L为所述特定类原型的类数量;ck表示第k个所述特定类原型;Yki表示所述训练样本集的标签信息;
所述深度哈希网络模型的目标函数还包含以下第三公式进行学习精细语义关系,所述第三公式为:其中,i(i=1,2,…,M)是所述批次内的训练样本图像数据序号,M为所述批次大小;j(j=1,2,…,N)是所述训练样本图像数据的序号,N为所述图像训练样本数量;Sij表示所述批次内训练样本图像数据的第i个样本与所述训练样本图像数据内第j个样本的相似度;
bi表示所述批次内第i个样本的深度哈希网络输出,即所述批次内第i个样本的哈希码;bj表示所述训练样本图像数据内第j个样本的深度哈希网络输出,即第j个所述训练样本图像数据的哈希码;
所述深度哈希网络模型的目标函数还包含超参数用于与公式相乘以控制学习目标的权重:预设第一超参数γ,用于所述第一公式;
预设第二超参数λ和N的乘积,用于所述第二公式;
所述目标函数为:
其中,
2.根据权利要求1所述的一种基于特定类原型的深度哈希网络图像检索方法,其特征在于,所述深度哈希网络模型包含深度哈希网络和图像数据库哈希码集合,所述深度哈希网络包含由所述深度哈希网络模型和训练样本训练得到的深度哈希网络模型参数;所述图像数据库哈希码集合包含由所述训练样本经过所述深度哈希网络输出得到的哈希码;
S3步骤具体包括:
S3.1对所述待检索的目标图像信息预处理,得到待查询图像数据的特征向量;
S3.2将所述待查询图像数据的特征向量输入所述深度哈希网络,得到待查询哈希码;
S3.3将待查询图像哈希码与所述图像数据库哈希码集合中的哈希码进行比对,找出最相似的所述样本图像数据和最相似图像数据对应的语义标签。
3.根据权利要求1所述的一种基于特定类原型的深度哈希网络图像检索方法,其特征在于,S1还包含根据所述深度哈希网络的目标函数的优化步骤:S1.1使用所述深度哈希网络的输出值替代原目标函数中的哈希值;
S1.2固定所述深度哈希网络参数θ,优化所述特定类原型矩阵C;
S1.3固定所述特定类原型矩阵C,优化所述深度哈希网络参数θ;若未抵达停止条件,返回执行S1.2。
4.根据权利要求3所述的一种基于特定类原型的深度哈希网络图像检索方法,其特征在于,S1.2采用逐列的方式优化所述特定类原型矩阵C。
5.一种基于特定类原型深度哈希网络的图像数据检索装置,其特征在于,包括:存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如权利要求1至4中任一项所述的基于特定类原型的深度哈希网络图像检索方法。
6.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的基于特定类原型的深度哈希网络图像检索方法。