CN109766463A - 半监督哈希学习方法及装置 - Google Patents
半监督哈希学习方法及装置 Download PDFInfo
- Publication number
- CN109766463A CN109766463A CN201910022866.5A CN201910022866A CN109766463A CN 109766463 A CN109766463 A CN 109766463A CN 201910022866 A CN201910022866 A CN 201910022866A CN 109766463 A CN109766463 A CN 109766463A
- Authority
- CN
- China
- Prior art keywords
- function
- student
- teacher
- loss
- hash codes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及半监督哈希学习方法及装置,所述方法包括:将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将样本数据输入学生函数进行处理,得到学生函数输出哈希码;根据样本数据、教师函数输出哈希码和学生函数输出哈希码确定学生函数的损失;向学生函数反向传播损失的梯度,以调整学生函数的参数,完成学生函数的一次训练;根据调整后的学生函数的参数和待调整的所述教师函数的参数,确定调整后的教师函数的参数,完成教师函数的一次训练。本公开实施例可以使用少数有标注样本数据和大量无标注样本数据进行训练。教师函数和学生函数进行联合训练得到的教师函数和学生函数可以用于高效、准确地得到数据的哈希码,以用于更加高效的检索。
Description
技术领域
本公开涉及神经网络技术领域,尤其涉及一种半监督哈希学习方法及装置。
背景技术
伴随着人工智能和信息检索技术的发展,图像等复杂数据的检索需求越来越多。以图像检索为例,给定一张图像,我们希望找到像素或语义级别相似的图片。由于图像结构复杂且维度高,图像检索的效率及准确率成为大规模图像数据的难点。
深度哈希学习方法是传统的大规模复杂数据(如图像等)检索的解决方法。哈希学习可以学习特定的哈希函数,将高维复杂数据映射到短的二值哈希码,使得相似的数据(如图像像素相似或者语义相似)的哈希码的汉明距离较小。伴随深度学习技术的发展,可以利用深度神经网络提取复杂数据的向量特征。深度哈希学习可以将深度神经网络作为待学习的哈希函数,进行哈希学习的同时学习深度神经网络,并且用深度神经网络提取复杂数据的哈希码。哈希码存储了数据的语义信息,同时也可以用于大规模复杂数据检索。
现有深度哈希学习的基础在于大量有标注的数据,即每个数据有一个类别标签。但在实际应用中,数据规模巨大(如图片达到上亿级别),人工标注这些数据用于训练需要耗费大量人力财力,几乎不可能;其次,数据标注可能是数据对之间的关系,如社交网络的好友关系,图像文字描述定义的关系等,导致直接标注数据类别并不可取。以上问题,均导致深度哈希学习的效果不理想。
发明内容
有鉴于此,本公开提出了一种半监督哈希学习方法,所述方法包括:
将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码;
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失;
向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练;
根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,包括:
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;
根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码,包括:
将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
在一种可能的实现方式中,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,还包括:
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失;
所述根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
在一种可能的实现方式中,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失,包括:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
在一种可能的实现方式中,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,还包括:
根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失;
所述根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
在一种可能的实现方式中,所述根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失,包括:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
在一种可能的实现方式中,所述根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练,包括:
根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;
根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述方法还包括:
将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
在一种可能的实现方式中,所述方法还包括:
将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
根据本公开的一方面,提供了一种半监督哈希学习装置,所述装置包括:
输出哈希码获取模块,用于将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码;
损失确定模块,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失;
学生函数训练模块,用于向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练;
教师函数训练模块,用于根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述损失确定模块,包括:
第一子损失确定子模块,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;
第一损失确定子模块,用于根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述输出哈希码获取模块,包括:
第一输出哈希码获取子模块,用于将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
第二输出哈希码获取子模块,用于将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述第一子损失确定子模块,用于:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
在一种可能的实现方式中,所述第一损失确定子模块,包括:
一致哈希码损失确定单元,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失;
所述第一损失确定子模块,包括:
第一损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
在一种可能的实现方式中,所述一致哈希码损失确定单元,用于:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
在一种可能的实现方式中,所述损失确定模块,还包括:
教师图损失确定子模块,用于根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失;
所述第一损失确定子模块,包括:
第二损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
在一种可能的实现方式中,所述教师图损失确定子模块,用于:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
在一种可能的实现方式中,所述教师函数训练模块,包括:
参数调整子模块,用于根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;
教师函数训练子模块,用于根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述装置还包括:
教师函数哈希码获取模块,用于将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
在一种可能的实现方式中,所述装置还包括:
学生函数哈希码获取模块,用于将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
根据本公开的一方面,提供了一种半监督哈希学习装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述任一项所述的半监督哈希学习方法。
根据本公开的一方面,提供了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,所述计算机程序指令被处理器执行上述任意一项所述的方法。
在本公开实施例中,将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将样本数据输入学生函数进行处理,得到学生函数输出哈希码;根据样本数据、教师函数输出哈希码和学生函数输出哈希码确定学生函数的损失;向学生函数反向传播损失的梯度,以调整学生函数的参数,完成学生函数的一次训练;根据调整后的学生函数的参数和待调整的教师函数的参数,确定调整后的教师函数的参数,完成教师函数的一次训练。本公开实施例可以使用少数有标注样本数据和大量无标注样本数据进行训练。教师函数和学生函数进行联合训练,得到的教师函数和学生函数可以用于高效、准确地得到数据的哈希码,以用于更加高效的检索。
据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开一实施例的半监督哈希学习方法的流程图;
图2示出根据本公开一实施例的半监督哈希学习方法的流程图;
图3示出根据本公开一实施例的半监督哈希学习方法中教师函数和学生函数的处理流程图;
图4示出根据本公开一实施例的半监督哈希学习装置的框图;
图5是根据一示例性实施例示出的一种半监督哈希学习装置的框图;
图6是根据一示例性实施例示出的一种半监督哈希学习装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的半监督哈希学习方法的流程图,如图1所述,所述半监督哈希学习方法包括:
步骤S10,将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码。
在一种可能的实现方式中,可以同时设置教师函数和学生函数,教师函数和学生函数的网络结构相同。教师函数和学生函数的初始参数可以相同,也可以不同。
在一种可能的实现方式中,教师函数和学生函数可以为深度神经网络,深度神经网络可以包括卷积层和全连接层。可以根据需要的哈希码长度,确定深度神经网络的输出神经元的数量。
在一种可能的实现方式中,样本数据可以包括样本图像等可以输入教师函数和学生函数进行处理的数据。本公开不限定样本数据的具体形式和内容。
步骤S20,根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失。
在一种可能的实现方式中,可以将教师函数输出哈希码代入学生函数的损失的计算。以使教师函数可以监督学生函数的训练过程。
在一种可能的实现方式中,可以将样本数据加入随机扰动,例如,对于图像数据,可以将样本图像进行随机裁剪、随机放缩、随机亮度、对比度变换等,得到扰动图像;对于向量数据,可以添加随机高斯噪声等。可以将扰动数据作为样本数据输入教师函数和学生函数进行处理。利用扰动数据对学生函数和教师函数进行训练,可以使得学生函数和教师函数的训练过程更加高效,也使得训练完成的学生函数和教师函数的性能更好。在本公开实施例中的样本数据,可以是扰动数据,也可以是没有加入随机扰动的数据,本公开对此不做限定。
步骤S30,向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练。
在一种可能的实现方式中,在随机梯度下降法中,梯度是期望。随机梯度下降法期望可使用小规模的样本数据近似估计。在随机梯度下降法的每一步,可以从样本数据中均匀抽出一小批量(mini batch)样本B={x(1),…,x(m’)}。小批量的数目m’通常是一个相对较小的数,从几十到几百。当样本数据集大小m增长时,m’通常是固定的。可以利用随机梯度下降((Stochastic Gradient Descent,SGD))法,向学生函数反向传播所述损失的梯度,以调整学生函数的参数。随机梯度下降法可以提高学生函数的训练效率。
步骤S40,根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,可以根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,可以预设参数权值。例如,参数权值为α=0.995。教师函数在第t-1次迭代(时刻t-1)的参数为θT(t-1),学生函数在第t次迭代(时刻t)的参数为θ(t),则在t时刻,可以根据公式(1)计算教师函数的参数θT(t):
θT(t)←αθT(t-1)+(1-α)θ(t) 公式(1)
在一种可能的实现方式中,可以根据上述步骤S10至S40完成教师函数和学生网路的一次训练。可以利继续执行上述步骤S10至S40进行教师函数和学生函数的迭代训练。可以在满足预设的迭代训练次数,或达到预设的收敛条件时,停止教师函数和学生函数的训练,得到训练好的教师函数和学生函数。
在本实施例中,将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将样本数据输入学生函数进行处理,得到学生函数输出哈希码;根据样本数据、教师函数输出哈希码和学生函数输出哈希码确定学生函数的损失;向学生函数反向传播损失的梯度,以调整学生函数的参数,完成学生函数的一次训练;根据调整后的学生函数的参数和待调整的教师函数的参数,确定调整后的教师函数的参数,完成教师函数的一次训练。本公开实施例可以使用少数有标注样本数据和大量无标注样本数据进行训练。教师函数和学生函数进行联合训练,得到的教师函数和学生函数可以用于高效、准确地得到数据的哈希码,以用于更加高效的检索。
图2示出根据本公开一实施例的半监督哈希学习方法的流程图,如图2所述,所述半监督哈希学习方法中步骤S20包括:
步骤S21,根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失。
步骤S22,根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
在一种可能的实现方式中,可以根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
在一种可能的实现方式中,所述第一样本数据和第二样本数据的相似度包括根据第一样本数据的标识和第二样本数据的标识之间的相似度。例如,第一样本数据和第一样本数据组成的数据对有标识,即(xi,xj)∈S,其中xi为第一样本数据的标识,xj为第二样本数据的标识。可以利用公式(2)计算计算二元相似度损失Ls:
其中,sij∈{0,1}表示数据对的相似度标签,sij=1表示xi,xj相似,否则不相似。二元相似度损失中的二元相似度损失函数l(fi,fj,sij)可以根据公式(3)表示:
l(fi,fj,sij)=sijqij+(1-sij)max(0,2r-qij) 公式(3)
其中,qij=(fi-fj)2为向量之间的平方距离,r为哈希码长度,
二元相似度损失可以使得相似数据特征相似或相近,不相似的数据特征不相同或距离远。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码,包括:
将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述步骤S21,包括:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
在一种可能的实现方式中,图3示出根据本公开一实施例的半监督哈希学习方法中教师函数和学生函数的处理流程图,如图3所示,图3中的x1为第一样本数据,x2为第二样本数据。将第一样本数据和第二样本数据加入两个随机扰动(随机裁剪、随机放缩、随机亮度、对比度变换等随机扰动中的任意两种)得到第一样本数据的扰动数据以及得到第二样本数据的扰动数据可以认为为实质相同的第一样本数据,为实质相同的第二样本数据。可以将输入到学生函数中得到第一学生函数输出哈希码可以将输入到学生函数中得到第二学生函数输出哈希码可以将输入到教师函数中得到第一教师函数输出哈希码和第二教师教师函数输出哈希码
在一种可能的实现方式中,可以将和代入公式(4)分别计算得到第一归一化距离和第二归一化距离:
其中,f1和f2为两个向量,d(f1,f2)为两个向量之间的归一化距离,‖f‖是向量f的长度。当根据两个数据能够得到相同的哈希码,则扰动前后的数据相似。
可以利用公式(5)计算得到一致汉明距离损失Rup:
一致汉明距离损失可以使得输入教师函数和学生函数的样本数据相似,以及使得输入教师函数和学生函数的样本数据的哈希码距离一致。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
在一种可能的实现方式中,如图3所示,可以将第一学生函数输出哈希码经过哈希函数H(x)处理,得到第一学生函数哈希值可以将第二学生函数输出哈希码经过哈希函数H(x)处理,得到第二学生函数哈希值可以将第一学生函数输出哈希码和第一学生函数哈希值以及将第二学生函数输出哈希码和第二学生函数哈希值分别代入公式(6)确定量化错误损失Lq:
其中,‖f‖1为f每个元素绝对值的和。
量化错误损失可以使得连续的F(x)接近连续的哈希码H(x)。
在一种可能的实现方式中,可以根据公式(7),利用二元相似度损失Ls、所述一致汉明距离损失Rup和所述量化错误损失Lq确定所述学生函数的损失L:
L=Ls+ωRup+ηLq 公式(7)
其中,ω,η为预设的参数。
在本实施例中,根据样本数据、教师函数输出哈希码和学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;根据二元相似度损失、一致汉明距离损失和量化错误损失确定所述学生函数的损失。二元相似度损失、一致汉明距离损失和量化错误损失,可以使得输入学生函数和教师函数的样本数据一致,以及使得根据样本数据输出的哈希码一致。
在一种可能的实现方式中,所述半监督哈希学习方法中步骤S20还包括:
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失。
所述步骤S22,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
在一种可能的实现方式中,步骤S23包括:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
在一种可能的实现方式中,如图3所示,可以根据第一教师函数输出哈希码和第一学生函数输出哈希码得到第三归一化距离。可以根据第二教师函数输出哈希码和第二学生函数输出哈希码得到第四归一化距离。可以根据第三归一化距离和第四归一化距离,得到一致哈希码损失Ruc。
在一种可能的实现方式中,可以根据公式(9)确定所述学生函数的损失L:
L=Ls+ω(Ruc+Rup)+ηLq 公式(9)
在本实施例中,确定第一教师函数输出哈希码和第一学生函数输出哈希码之间的第三归一化距离;确定第二教师函数输出哈希码和第二学生函数输出哈希码之间的第四归一化距离;根据第三归一化距离和第四归一化距离,得到一致哈希码损失。一致哈希码损失可以使得根据两个输入数据得到的哈希码之间的距离最小,可以使得两个输入数据的哈希码一致。
在一种可能的实现方式中,所述半监督哈希学习方法中步骤S20还包括:
根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失。
所述步骤S22,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
在一种可能的实现方式中,步骤S24包括:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
在一种可能的实现方式中,教师图包括使用教师函数构造的一种图,教师图中的点表示每个数据点,教师图的边表示每个数据点之间的关系,其中边权值为0或者1。根据教师图可以得到两个数据点的相似性信息,即边权值为1表示数据点相似,否则不相似。
在一种可能的实现方式中,构造的教师图可以用以下公式(10)的损失函数训练:
其中,W12∈{0,1}是教师图的边权值,其取值由定义,如果则W12=1;否则W12=0。可以使thr=1。
在一种可能的实现方式中,可以根据公式(11)确定所述学生函数的损失L:
L=Ls+ω(Ruc+Rug+γRug)+ηLq 公式(11)
在本实施例中,根据教师函数输出哈希码和学生函数输出哈希码,确定教师图损失。根据二元相似度损失、一致汉明距离损失、量化错误损失和教师图损失确定学生函数的损失。教师图损失可以使得教师函数和学生函数学习到更加准确的数据的哈希码,得到更准确的数据的语义信息。
在一种可能的实现方式中,所述方法还包括:
将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
在一种可能的实现方式中,完成训练的教师函数,可以用于得到测试数据的哈希码,且所得到的测试数据的哈希码能够准确地表达测试数据的语义信息。
在一种可能的实现方式中,所述方法还包括:
将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
在一种可能的实现方式中,完成训练的学生函数,可以用于得到测试数据的哈希码,且所得到的测试数据的哈希码能够准确地表达测试数据的语义信息。
图4示出根据本公开一实施例的半监督哈希学习装置的框图,如图4所示,所述装置包括:
输出哈希码获取模块10,用于将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码;
损失确定模块20,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失;
学生函数训练模块30,用于向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练;
教师函数训练模块40,用于根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述损失确定模块,包括:
第一子损失确定子模块,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;
第一损失确定子模块,用于根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述输出哈希码获取模块,包括:
第一输出哈希码获取子模块,用于将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
第二输出哈希码获取子模块,用于将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述第一子损失确定子模块,用于:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
在一种可能的实现方式中,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
在一种可能的实现方式中,所述第一损失确定子模块,包括:
一致哈希码损失确定单元,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失;
所述第一损失确定子模块,包括:
第一损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
在一种可能的实现方式中,所述一致哈希码损失确定单元,用于:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
在一种可能的实现方式中,所述损失确定模块,还包括:
教师图损失确定子模块,用于根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失;
所述第一损失确定子模块,包括:
第二损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
在一种可能的实现方式中,所述教师图损失确定子模块,用于:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
在一种可能的实现方式中,所述教师函数训练模块,包括:
参数调整子模块,用于根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;
教师函数训练子模块,用于根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
在一种可能的实现方式中,所述装置还包括:
教师函数哈希码获取模块,用于将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
在一种可能的实现方式中,所述装置还包括:
学生函数哈希码获取模块,用于将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
图5是根据一示例性实施例示出的一种半监督哈希学习装置800的框图。例如,装置800可以是计算机,数字广播终端,平板设备,个人数字助理等。
参照图5,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,3G或4G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种半监督哈希学习装置1900的框图。例如,装置1900可以被提供为一服务器。参照图6,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (26)
1.一种半监督哈希学习方法,其特征在于,所述方法包括:
将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码;
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失;
向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练;
根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,包括:
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;
根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
3.根据权利要求2所述的方法,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
4.根据权利要求2所述的方法,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码,包括:
将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
5.根据权利要求4所述的方法,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失,包括:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
6.根据权利要求2所述的方法,其特征在于,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,还包括:
根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失;
所述根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失,包括:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
8.根据权利要求2所述的方法,其特征在于,所述根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失,还包括:
根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失;
所述根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失,包括:
根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
9.根据权利要求8所述的方法,其特征在于,所述根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失,包括:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
10.根据权利要求1所述的方法,其特征在于,所述根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练,包括:
根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;
根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
13.一种半监督哈希学习装置,其特征在于,所述装置包括:
输出哈希码获取模块,用于将样本数据输入教师函数进行处理,得到教师函数输出哈希码,将所述样本数据输入学生函数进行处理,得到学生函数输出哈希码;
损失确定模块,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码确定所述学生函数的损失;
学生函数训练模块,用于向所述学生函数反向传播所述损失的梯度,以调整所述学生函数的参数,完成所述学生函数的一次训练;
教师函数训练模块,用于根据调整后的所述学生函数的参数和待调整的所述教师函数的参数,确定调整后的所述教师函数的参数,完成所述教师函数的一次训练。
14.根据权利要求13所述的装置,其特征在于,所述损失确定模块,包括:
第一子损失确定子模块,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定二元相似度损失、一致汉明距离损失和量化错误损失;
第一损失确定子模块,用于根据所述二元相似度损失、所述一致汉明距离损失和所述量化错误损失确定所述学生函数的损失。
15.根据权利要求14的装置,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一样本数据和所述第二样本数据的相似度、所述教师函数输出哈希码和所述学生函数输出哈希码,利用二元相似度损失函数确定所述二元相似度损失。
16.根据权利要求14所述的装置,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述输出哈希码获取模块,包括:
第一输出哈希码获取子模块,用于将所述第一样本数据输入所述教师函数进行处理,得到第一教师函数输出哈希码,将所述第二样本数据输入所述教师函数进行处理,得到第二教师函数输出哈希码;
第二输出哈希码获取子模块,用于将所述第一样本数据输入所述学生函数进行处理,得到第一学生函数输出哈希码,将所述第二样本数据输入所述学生函数进行处理,得到第二学生函数输出哈希码;
所述第一子损失确定子模块,用于:
确定所述第一教师函数输出哈希码和所述第二教师函数输出哈希码之间的第一归一化距离;
确定所述第一学生函数输出哈希码和所述第二学生函数输出哈希码之间的第二归一化距离;
根据所述第一归一化距离和所述第二归一化距离,得到所述一致汉明距离损失。
17.根据权利要求16所述的装置,其特征在于,所述样本数据包括第一样本数据和第二样本数据,所述第一子损失确定子模块,用于:
根据所述第一学生函数输出哈希码和哈希函数,得到第一学生函数哈希值,根据所述第二学生函数输出哈希码和哈希函数,得到第二学生函数哈希值;
根据所述第一学生函数输出哈希码和所述第一学生函数哈希值,确定第一量化错误子损失;
根据所述第二学生函数输出哈希码和所述第二学生函数哈希值,确定第二量化错误子损失;
根据所述第一量化错误损失和所述第一量化错误损失得到所述量化错误损失。
18.根据权利要求14所述的装置,其特征在于,所述第一损失确定子模块,包括:
一致哈希码损失确定单元,用于根据所述样本数据、所述教师函数输出哈希码和所述学生函数输出哈希码,确定一致哈希码损失;
所述第一损失确定子模块,包括:
第一损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述一致哈希码损失确定所述学生函数的损失。
19.根据权利要求18所述的装置,其特征在于,所述一致哈希码损失确定单元,用于:
确定所述第一教师函数输出哈希码和所述第一学生函数输出哈希码之间的第三归一化距离;
确定所述第二教师函数输出哈希码和所述第二学生函数输出哈希码之间的第四归一化距离;
根据所述第三归一化距离和所述第四归一化距离,得到所述一致哈希码损失。
20.根据权利要求14所述的装置,其特征在于,所述损失确定模块,还包括:
教师图损失确定子模块,用于根据所述教师函数输出哈希码和所述学生函数输出哈希码,确定教师图损失;
所述第一损失确定子模块,包括:
第二损失确定单元,用于根据所述二元相似度损失、所述一致汉明距离损失、所述量化错误损失和所述教师图损失确定所述学生函数的损失。
21.根据权利要求20所述的装置,其特征在于,所述教师图损失确定子模块,用于:
根据所述第一教师函数输出哈希码和所述第二教师函数输出哈希码构建教师图;
根据所述第一学生函数输出哈希码、所述第二学生函数输出哈希码、所述教师图的边权值,利用二元相似度损失函数确定教师图损失。
22.根据权利要求13所述的装置,其特征在于,所述教师函数训练模块,包括:
参数调整子模块,用于根据参数权值、调整后的所述学生函数的参数和待调整的所述教师函数的参数,得到调整参数;
教师函数训练子模块,用于根据所述调整参数调整待调整的所述教师函数的参数,完成所述教师函数的一次训练。
23.根据权利要求13所述的装置,其特征在于,所述装置还包括:
教师函数哈希码获取模块,用于将测试数据输入完成训练的教师函数,得到所述测试数据的哈希码。
24.根据权利要求13所述的装置,其特征在于,所述装置还包括:
学生函数哈希码获取模块,用于将测试数据输入完成训练的学生函数,得到所述测试数据的哈希码。
25.一种半监督哈希学习装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行如权利要求1至12中任一项所述的半监督哈希学习方法。
26.一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12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022866.5A CN109766463B (zh) | 2019-01-10 | 2019-01-10 | 应用于图像检索的半监督哈希学习方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022866.5A CN109766463B (zh) | 2019-01-10 | 2019-01-10 | 应用于图像检索的半监督哈希学习方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766463A true CN109766463A (zh) | 2019-05-17 |
CN109766463B CN109766463B (zh) | 2021-03-12 |
Family
ID=66452629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022866.5A Active CN109766463B (zh) | 2019-01-10 | 2019-01-10 | 应用于图像检索的半监督哈希学习方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766463B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503106A (zh) * | 2016-10-17 | 2017-03-15 | 北京工业大学 | 一种基于深度学习的图像哈希索引构建方法 |
CN107273478A (zh) * | 2017-06-09 | 2017-10-20 | 华东师范大学 | 一种基于Group Lasso的半监督哈希图像搜索方法 |
CN108629414A (zh) * | 2018-05-09 | 2018-10-09 | 清华大学 | 深度哈希学习方法及装置 |
-
2019
- 2019-01-10 CN CN201910022866.5A patent/CN109766463B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503106A (zh) * | 2016-10-17 | 2017-03-15 | 北京工业大学 | 一种基于深度学习的图像哈希索引构建方法 |
CN107273478A (zh) * | 2017-06-09 | 2017-10-20 | 华东师范大学 | 一种基于Group Lasso的半监督哈希图像搜索方法 |
CN108629414A (zh) * | 2018-05-09 | 2018-10-09 | 清华大学 | 深度哈希学习方法及装置 |
Non-Patent Citations (1)
Title |
---|
SHIFENG ZHANG: "Scalable Discrete Supervised Multimedia Hash", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
CN111639710B (zh) * | 2020-05-29 | 2023-08-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109766463B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117862B (zh) | 图像标签识别方法、装置及服务器 | |
CN108520251A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110210535A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN109089133A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN109829433A (zh) | 人脸图像识别方法、装置、电子设备及存储介质 | |
CN107491541A (zh) | 文本分类方法及装置 | |
CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145213A (zh) | 基于历史信息的查询推荐方法及装置 | |
CN108764069A (zh) | 活体检测方法及装置 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN109614613A (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
CN108256555A (zh) | 图像内容识别方法、装置及终端 | |
CN109919300A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109284750A (zh) | 票据识别方法及装置、电子设备及存储介质 | |
CN108399409A (zh) | 图像分类方法、装置及终端 | |
CN108985176A (zh) | 图像生成方法及装置 | |
CN108596093A (zh) | 人脸特征点的定位方法及装置 | |
CN110245757A (zh) | 一种图像样本的处理方法及装置、电子设备和存储介质 | |
CN109978891A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108960283A (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN109920016A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109635920A (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN109819288A (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |