公开(公告)号：CN109783682A

公开(公告)日：2019-05-21

申请号：CN201910057434.8

申请日：2019-01-19

Applicant: 北京工业大学

Inventor： 汪海龙 ,  禹晶 ,  肖创柏 ,  郭乐宁

IPC: G06F16/583 ,  G06F16/51 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于点对相似度的深度非松弛哈希图像检索方法，将图像的数据集以5:1的比例划分为训练样本集Dtrain和测试样本集Dtest；构建深度卷积网络架构；利用训练样本集合，将训练数据集图像以及其类别标签作为神经网络的输入训练卷积神经网络，得到并保存深度神经网络的模型；根据卷积神经网络模型，去除其dropout层，在网络的输出端添加符号函数。将训练样本集Dtrain和Dtest输入模型中，得到训练样本集的哈希码Btrain和测试样本集的哈希码Btest；从测试样本取测试图像的哈希码，得到汉明距离对应的向量。将汉明距离向量的每一位数值以升序排序，作为检索的结果。本发明有效解决哈希函数量化二值哈希码过程中产生大量误差的问题，并提高图像检索的准确率。

公开(公告)号：CN109783682B

公开(公告)日：2021-01-15

申请号：CN201910057434.8

申请日：2019-01-19

Applicant: 北京工业大学

Inventor： 汪海龙 ,  禹晶 ,  肖创柏 ,  郭乐宁

IPC: G06F16/583 ,  G06F16/51 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于点对相似度的深度非松弛哈希图像检索方法，将图像的数据集以5:1的比例划分为训练样本集Dtrain和测试样本集Dtest；构建深度卷积网络架构；利用训练样本集合，将训练数据集图像以及其类别标签作为神经网络的输入训练卷积神经网络，得到并保存深度神经网络的模型；根据卷积神经网络模型，去除其dropout层，在网络的输出端添加符号函数。将训练样本集Dtrain和Dtest输入模型中，得到训练样本集的哈希码Btrain和测试样本集的哈希码Btest；从测试样本取测试图像的哈希码，得到汉明距离对应的向量。将汉明距离向量的每一位数值以升序排序，作为检索的结果。本发明有效解决哈希函数量化二值哈希码过程中产生大量误差的问题，并提高图像检索的准确率。