CN114596456A - 一种基于聚集哈希学习的图像集分类方法 - Google Patents

一种基于聚集哈希学习的图像集分类方法 Download PDF

Info

Publication number
CN114596456A
CN114596456A CN202210500350.9A CN202210500350A CN114596456A CN 114596456 A CN114596456 A CN 114596456A CN 202210500350 A CN202210500350 A CN 202210500350A CN 114596456 A CN114596456 A CN 114596456A
Authority
CN
China
Prior art keywords
hash
image
matrix
training
trained
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
Application number
CN202210500350.9A
Other languages
English (en)
Other versions
CN114596456B (zh
Inventor
黄海啸
孙元
胡鹏
王旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202210500350.9A priority Critical patent/CN114596456B/zh
Publication of CN114596456A publication Critical patent/CN114596456A/zh
Application granted granted Critical
Publication of CN114596456B publication Critical patent/CN114596456B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于聚集哈希学习的图像集分类方法，包括以下步骤：S1、根据训练图像集，建立哈希聚集模型；S2、对哈希聚集模型进行训练，得到训练完成的线性哈希函数和训练图像集的实例哈希码矩阵；S3、根据训练完成的线性哈希函数，计算待分类图像集的实例的哈希码；S4、根据待分类图像集的实例的哈希码与训练图像集的实例哈希码矩阵间距离，得到待分类图像集的类别；本发明解决了现有的哈希学习方法没有很好的考虑图像集的集合信息，难以很好地在汉明空间保持实例的相似性，很难得到高质量的实例哈希码，进而影响图像集分类精度的问题。

Description

一种基于聚集哈希学习的图像集分类方法
技术领域
本发明涉及图像分类技术领域，具体涉及一种基于聚集哈希学习的图像集分类方法。
背景技术
多年来，随着多媒体技术的快速发展，图像集分类已经被广泛应用于现实世界的大量应用，如物体分类、基于视频的人脸识别。与传统的基于单镜头图像的分类任务相比，图像集分类更注重集合的通用性和样本的互补性，可以提供更丰富的信息来描述相应的主题。由于图像集分类可以提供更有前途的性能来克服图像的外观变化(如外观，遮挡，照明，表情，姿势)，图像集分类的兴趣一直稳步增长的研究社区。然而，随着数据量的增加和识别精度的提高，如何处理极高的运行时间和空间复杂度是一个常见而棘手的问题。
近年来，哈希方法被广泛提出用于处理中大规模的数据，机器学习和计算机视觉中的识别任务。它们通常将每个图像实例转换成一个紧凑的二进制码，同时保留汉明空间中的特征相似度和结构信息。然后在汉明空间中利用异或运算进行有效的两两比较。这意味着更低的存储成本和更快的计算速度。因此，出现了许多很有前途的监督哈希方法，它们试图利用标签信息来学习哈希函数。虽然哈希算法已经取得了很好的进展，但是如何捕捉所有实例之间的相似性，以及如何在汉明空间中保存这些相似性仍然是一个有待解决的问题。现有的哈希方法主要是在汉明空间中寻找紧凑的判别哈希码来保留所有图像实例的底层几何信息，然后学习一个高质量的哈希函数来进行图像检索。事实上，对于图像集来说，这些方法常常大大忽略了集合属性(即，来自同一集合的实例通常有很大的类内变化)。因此，来自同一集合的实例哈希码可能不能很好地保持相似性，而来自不同集合的实例哈希码可能更相似，这极大地影响了哈希码的质量。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于聚集哈希学习的图像集分类方法解决了现有的哈希学习方法没有很好的考虑图像集的集合信息，难以很好地在汉明空间保持实例的相似性，很难得到高质量的实例哈希码，进而影响图像集分类精度的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于聚集哈希学习的图像集分类方法，包括以下步骤：
S1、根据训练图像集，建立哈希聚集模型；
S2、对哈希聚集模型进行训练，得到训练完成的线性哈希函数和训练图像集的实例哈希码矩阵；
S3、根据训练完成的线性哈希函数，计算待分类图像集的实例的哈希码；
S4、根据待分类图像集的实例的哈希码与训练图像集的实例哈希码矩阵间距离，得到待分类图像集的类别。
进一步地，步骤S1包括以下分步骤：
S11、将训练图像集中每张图像映射到再现希尔伯特空间，得到低维度图像特征；
S12、根据低维度图像特征，建立哈希聚集模型。
进一步地，步骤S11中低维度图像特征的计算公式为：
Figure 104290DEST_PATH_IMAGE002
其中，
Figure 552589DEST_PATH_IMAGE003
为图像
Figure 378331DEST_PATH_IMAGE004
的低维图像数据，多个低维图像数据构成低维度图像特 征V，
Figure 507962DEST_PATH_IMAGE005
为第i张图像，a 1、…、a k 为图像训练集中的k个锚点，
Figure 853492DEST_PATH_IMAGE006
为2范数，
Figure 472692DEST_PATH_IMAGE007
为核 带宽。
上述进一步方案的有益效果为：
1、通过将图像映射到再现希尔伯特空间，可获得图像的非线性特征。
2、低维度图像特征数据量更少，便于减少计算复杂度。
进一步地，步骤S12中哈希聚集模型为：
Figure 474146DEST_PATH_IMAGE009
满足：
Figure 204205DEST_PATH_IMAGE010
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 420554DEST_PATH_IMAGE011
，
Figure 148338DEST_PATH_IMAGE012
，
Figure 433826DEST_PATH_IMAGE013
为平衡参数，确保模型之间各个项之间的平衡，B为图像训练集的每个实例的哈希 码，
Figure 967576DEST_PATH_IMAGE014
为哈希码长度，n为图像训练集中所有样本数，k为图像训练集中图像训练子集的数 量，
Figure 225382DEST_PATH_IMAGE015
为全0矩阵，
Figure 186385DEST_PATH_IMAGE016
为全1矩阵，
Figure 474015DEST_PATH_IMAGE017
为
Figure 280297DEST_PATH_IMAGE018
*
Figure 658189DEST_PATH_IMAGE018
的单位矩阵，H为每个图像训练子集的集合 哈希码，Z为图像训练子集的集合标签，
Figure 524514DEST_PATH_IMAGE019
为F范数。
上述进一步方案的有益效果为：
1、利用集合哈希码聚合实例哈希码，使得来自不同集合的实例哈希码可以更好地分离，来自同一集合的实例哈希码可以更好的聚集。
2、可以防止不同集合中的哈希码会交织或者聚集，采用共享投影共同生成集合哈希码和实例哈希码，然后利用哈希聚合策略，通过在每个集合哈希码周围迭代聚合固有邻域实例哈希码来学习有判别性的实例哈希码。
进一步地，步骤S2包括以下分步骤：
S21、固定哈希聚集模型中的P、B、H，构建第一目标优化函数计算线性哈希函数W；
S22、根据计算的线性哈希函数W，固定哈希聚集模型中的B、H，构建第二目标优化函数计算投影矩阵P；
S23、根据计算的线性哈希函数W和投影矩阵P，固定哈希聚集模型中的B，构建第三目标优化函数计算每个图像训练子集的集合哈希码H；
S24、根据计算的线性哈希函数W、投影矩阵P和每个图像训练子集的集合哈希码H，构建第四目标优化函数计算图像训练子集的每个实例的哈希码B；
S25、通过目标损失函数，计算当前的损失值，若损失值小于等于阈值，则将所有实例的哈希码B构建为实例哈希码矩阵，并得到训练完成的线性哈希函数，若损失值大于阈值，则跳转至步骤S21进行再次训练。
进一步地，步骤S21中第一目标优化函数为：
Figure 50173DEST_PATH_IMAGE020
其中，W为线性哈希函数，V为低维度图像特征，
Figure 863408DEST_PATH_IMAGE021
为平衡参数，B为图像训练子集的 每个实例的哈希码。
进一步地，步骤S22中第二目标优化函数为：
Figure 643277DEST_PATH_IMAGE022
其中，P为投影矩阵，L为实例标签，
Figure 211661DEST_PATH_IMAGE023
，
Figure 693458DEST_PATH_IMAGE021
为平衡参数，B为图像训练子集的每个实 例的哈希码，H为每个图像训练子集的集合哈希码，Z为图像训练子集的集合标签，
Figure 310384DEST_PATH_IMAGE024
为 F范数。
进一步地，步骤S23中第三目标优化函数为：
Figure 194027DEST_PATH_IMAGE025
满足：
Figure 182580DEST_PATH_IMAGE026
其中，P为投影矩阵，L为实例标签，
Figure 151673DEST_PATH_IMAGE023
，
Figure 306711DEST_PATH_IMAGE027
为平衡参数，B为图像训练子集的每个实 例的哈希码，
Figure 310439DEST_PATH_IMAGE028
为哈希长度，n为图像训练集数据所有样本数，k为图像训练集中所有图像训 练子集数，
Figure 220626DEST_PATH_IMAGE015
为全0矩阵，
Figure 427748DEST_PATH_IMAGE029
为全1矩阵，
Figure 386477DEST_PATH_IMAGE030
为单位矩阵，H为每个图像训练子集的集合哈 希码，Z为图像训练子集的集合标签，
Figure 244711DEST_PATH_IMAGE031
为F范数。
进一步地，步骤S24中第四目标优化函数为：
Figure 60220DEST_PATH_IMAGE032
满足：
Figure 207168DEST_PATH_IMAGE033
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 31904DEST_PATH_IMAGE023
，
Figure 947908DEST_PATH_IMAGE027
为平衡参数，B为图像训练子集的每个实例的哈希码，
Figure 918007DEST_PATH_IMAGE034
为哈希长度，n为图像训练集数据所 有样本数，
Figure 614567DEST_PATH_IMAGE015
全0矩阵，
Figure 711836DEST_PATH_IMAGE035
为单位矩阵，H为每个图像训练子集的集合哈希码，Z为图像训练 子集的集合标签，
Figure 747925DEST_PATH_IMAGE036
为F范数。
进一步地，步骤S3中计算待分类图像集的实例的哈希码的公式为：
Figure 905237DEST_PATH_IMAGE037
其中，
Figure 26777DEST_PATH_IMAGE038
为待分类图像集的实例的哈希码，
Figure 944049DEST_PATH_IMAGE039
为训练完成的线性哈希函数，Y为待 分类图像集的低维度图像特征。
综上，本发明的有益效果为：本发明利用集合哈希码聚合实例哈希码，使得来自不同集合的实例哈希码可以更好地分离，来自同一集合的实例哈希码可以更好的聚集，解决了现有的哈希学习方法没有很好的考虑图像集的集合信息，难以很好地在汉明空间保持实例的相似性，很难得到高质量的实例哈希码，进而影响图像集分类精度的问题。
附图说明
图1为一种基于聚集哈希学习的图像集分类方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于聚集哈希学习的图像集分类方法，包括以下步骤：
S1、根据训练图像集，建立哈希聚集模型；
训练图像集由每个类的一个或多个图像训练子集组成，用于训练，每个图像训练子集由不同的图像组成属于同一类。
步骤S1包括以下分步骤：
S11、将训练图像集中每张图像映射到再现希尔伯特空间，得到低维度图像特征；
步骤S11中低维度图像特征的计算公式为：
Figure 365803DEST_PATH_IMAGE041
其中，
Figure 897278DEST_PATH_IMAGE003
为图像
Figure 302852DEST_PATH_IMAGE004
的低维图像数据，多个低维图像数据构成低维度图像特 征V，
Figure 210765DEST_PATH_IMAGE005
为第i张图像，a 1、…、a k 为图像训练集中的k个锚点，
Figure 752605DEST_PATH_IMAGE042
为2范数，
Figure 766566DEST_PATH_IMAGE007
为核 带宽。
S12、根据低维度图像特征，建立哈希聚集模型。
步骤S12中哈希聚集模型为：
Figure 597119DEST_PATH_IMAGE044
满足：
Figure 105460DEST_PATH_IMAGE045
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 501807DEST_PATH_IMAGE011
，
Figure 375085DEST_PATH_IMAGE012
，
Figure 755251DEST_PATH_IMAGE013
为平衡参数，确保模型之间各个项之间的平衡，B为图像训练集的每个实例的哈希 码，
Figure 286857DEST_PATH_IMAGE046
为哈希码长度，n为图像训练集中所有样本数，k为图像训练集中图像训练子集的数 量，
Figure 6551DEST_PATH_IMAGE015
为全0矩阵，
Figure 113048DEST_PATH_IMAGE047
为全1矩阵，
Figure 918193DEST_PATH_IMAGE017
为
Figure 502758DEST_PATH_IMAGE018
*
Figure 139275DEST_PATH_IMAGE048
的单位矩阵，H为每个图像训练子集的集合 哈希码，Z为图像训练子集的集合标签，
Figure 354356DEST_PATH_IMAGE019
为F范数。
所述建立哈希聚集模型的过程为：
A1、建立语义目标函数，用于学习语义信息；
Figure 450661DEST_PATH_IMAGE050
满足：
Figure 104496DEST_PATH_IMAGE051
A2、构建哈希聚合目标函数，使得训练图像集中同一个类别图像子集中不同实例具有相似的实例哈希码，即使得同一个类别图像子集中不同实例靠近同一个中心节点；
哈希聚合目标函数：
Figure DEST_PATH_IMAGE053
满足：
Figure 329941DEST_PATH_IMAGE054
其中，
Figure 715923DEST_PATH_IMAGE055
为训练图像集的第
Figure 292398DEST_PATH_IMAGE056
个实例的哈希码，
Figure 235077DEST_PATH_IMAGE057
为第
Figure 518291DEST_PATH_IMAGE058
个集合的哈希码，
Figure 403070DEST_PATH_IMAGE059
为 第
Figure 201262DEST_PATH_IMAGE058
个集合的标签，
Figure 134583DEST_PATH_IMAGE060
为第
Figure 334620DEST_PATH_IMAGE061
个实例的标签，
Figure 327984DEST_PATH_IMAGE062
为F范数或2范数；
由于
Figure 862739DEST_PATH_IMAGE063
，
Figure 396489DEST_PATH_IMAGE064
，
Figure 654295DEST_PATH_IMAGE065
、
Figure 880877DEST_PATH_IMAGE066
，则哈希聚合目标函数最终为：
Figure 388082DEST_PATH_IMAGE068
A3、综合哈希聚合目标函数和语义目标函数，得到哈希聚集模型：
S2、对哈希聚集模型进行训练，得到训练完成的线性哈希函数和训练图像集的实例哈希码矩阵；
在训练时，可先将实例的哈希码初始化为与集合哈希码相同，可加快训练速度。
步骤S2包括以下分步骤：
S21、固定哈希聚集模型中的P、B、H，构建第一目标优化函数计算线性哈希函数W；
步骤S21中第一目标优化函数为：
Figure 663205DEST_PATH_IMAGE069
其中，W为线性哈希函数，V为低维度图像特征，
Figure 854146DEST_PATH_IMAGE021
为平衡参数，B为图像训练子集的 每个实例的哈希码；
计算得到的线性哈希函数W为：
Figure 720471DEST_PATH_IMAGE070
。
S22、根据计算的线性哈希函数W，固定哈希聚集模型中的B、H，构建第二目标优化函数计算投影矩阵P；
步骤S22中第二目标优化函数为：
Figure 183813DEST_PATH_IMAGE071
计算得到的投影矩阵P为：
Figure 59366DEST_PATH_IMAGE072
其中，P为投影矩阵，L为实例标签，
Figure 88501DEST_PATH_IMAGE023
，
Figure 328990DEST_PATH_IMAGE073
为平衡参数，I为单位矩阵，B为图像训练 子集的每个实例的哈希码，H为每个图像训练子集的集合哈希码，Z为图像训练子集的集合 标签，
Figure 591213DEST_PATH_IMAGE074
为F范数。
在本实施例中，语义标签包括实例标签L和图像训练子集的集合标签Z，其中，实例标签L为每张图像对应的标签，图像训练子集的集合标签Z为每个图像训练子集对应的标签。
S23、根据计算的线性哈希函数W和投影矩阵P，固定哈希聚集模型中的B，构建第三目标优化函数计算每个图像训练子集的集合哈希码H；
步骤S23中第三目标优化函数为：
Figure 4877DEST_PATH_IMAGE075
满足：
Figure 91781DEST_PATH_IMAGE026
其中，P为投影矩阵，L为实例标签，
Figure 831067DEST_PATH_IMAGE023
，
Figure 3423DEST_PATH_IMAGE076
为平衡参数，B为图像训练子集的每个实 例的哈希码，
Figure 220777DEST_PATH_IMAGE077
为哈希长度，n为图像训练集数据所有样本数，k为图像训练集中所有图像训 练子集数，
Figure 975238DEST_PATH_IMAGE015
为全0矩阵，
Figure 557529DEST_PATH_IMAGE029
为全1矩阵，
Figure 279497DEST_PATH_IMAGE078
为单位矩阵，H为每个图像训练子集的集合哈 希码，Z为图像训练子集的集合标签，
Figure 34964DEST_PATH_IMAGE031
为F范数。将第三目标优化函数转换为迹范数 最大化问题，计算得到每个图像训练子集的集合哈希码H：
Figure 96461DEST_PATH_IMAGE079
满足：
Figure 177549DEST_PATH_IMAGE080
。
S24、根据计算的线性哈希函数W、投影矩阵P和每个图像训练子集的集合哈希码H，构建第四目标优化函数计算图像训练子集的每个实例的哈希码B；
步骤S24中第四目标优化函数为：
Figure 324497DEST_PATH_IMAGE082
满足：
Figure 867342DEST_PATH_IMAGE083
Figure 845663DEST_PATH_IMAGE084
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 35335DEST_PATH_IMAGE023
，
Figure 466317DEST_PATH_IMAGE027
为平衡参数，B为图像训练子集的每个实例的哈希码，
Figure 829165DEST_PATH_IMAGE028
为哈希长度，n为图像训练集数据所 有样本数，
Figure 599675DEST_PATH_IMAGE015
全0矩阵，
Figure 507719DEST_PATH_IMAGE035
为单位矩阵，H为每个图像训练子集的集合哈希码，Z为图像训练 子集的集合标签，
Figure 691576DEST_PATH_IMAGE036
为F范数。
将第四目标优化函数转换为迹范数最大化问题，计算得到图像训练子集的每个实例的哈希码B：
Figure 530219DEST_PATH_IMAGE085
满足：
Figure 483131DEST_PATH_IMAGE086
。
S25、通过目标损失函数，计算当前的损失值，若损失值小于等于阈值，则将所有实例的哈希码B构建为实例哈希码矩阵，并得到训练完成的线性哈希函数，若损失值大于阈值，则跳转至步骤S21进行再次训练，每次训练则是对参数P、W、B、H的更新。
训练完成的线性哈希函数为最后一次训练的线性哈希函数W值。
步骤S25中目标损失函数为：
Figure 811345DEST_PATH_IMAGE087
其中，M为损失值，B t 为第t次迭代的图像训练子集的每个实例的哈希码，B t+1 为第t+1次迭代的图像训练子集的每个实例的哈希码。
S3、根据训练完成的线性哈希函数，计算待分类图像集的实例的哈希码；
步骤S3中计算待分类图像集的实例的哈希码的公式为：
Figure 154601DEST_PATH_IMAGE037
其中，
Figure 374099DEST_PATH_IMAGE088
为待分类图像集的实例的哈希码，
Figure DEST_PATH_IMAGE089
为训练完成的线性哈希函数，Y为 待分类图像集的低维度图像特征，待分类图像集的低维度图像特征的计算方式与步骤S11 相同。
S4、根据待分类图像集的实例的哈希码与训练图像集的实例哈希码矩阵间距离，得到待分类图像集的类别。
在步骤S4中，可选择汉明距离来计算待分类图像集的实例的哈希码与训练图像集的实例哈希码矩阵间的距离，根据最小距离，待分类图像集的每个实例都为对应类别投一票。然后根据待分类图像集中大多数类的标签来预测待分类图像集的类别标签，实现待分类图像集的分类。

Claims (10)

1.一种基于聚集哈希学习的图像集分类方法，其特征在于，包括以下步骤：
S1、根据训练图像集，建立聚集哈希模型；
S2、对哈希聚集模型进行训练，得到训练完成的线性哈希函数和训练图像集的实例哈希码矩阵；
S3、根据训练完成的线性哈希函数，计算待分类图像集的实例的哈希码；
S4、根据待分类图像集的实例的哈希码与训练图像集的实例哈希码矩阵间距离，得到待分类图像集的类别。
2.根据权利要求1所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S1包括以下分步骤：
S11、将训练图像集中每张图像映射到再现希尔伯特空间，得到低维度图像特征；
S12、根据低维度图像特征，建立哈希聚集模型。
3.根据权利要求2所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S11中低维度图像特征的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 710339DEST_PATH_IMAGE002
为图像
Figure DEST_PATH_IMAGE003
的低维图像数据，多个低维图像数据构成低维度图像特征V，
Figure 376944DEST_PATH_IMAGE004
为第i张图像，a 1、…、a k 为图像训练集中的k个锚点，
Figure DEST_PATH_IMAGE005
为2范数，
Figure 127862DEST_PATH_IMAGE006
为核带宽。
4.根据权利要求2所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S12中哈希聚集模型为：
Figure 530899DEST_PATH_IMAGE007
满足：
Figure DEST_PATH_IMAGE008
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 833705DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，
Figure 722026DEST_PATH_IMAGE011
为平衡参数，确保模型之间各个项之间的平衡，B为图像训练集的每个实例的哈希码，
Figure DEST_PATH_IMAGE012
为哈希码长度，n为图像训练集中所有样本数，k为图像训练集中图像训练子集的数量，
Figure 276636DEST_PATH_IMAGE013
为全0矩阵，
Figure DEST_PATH_IMAGE014
为全1矩阵，
Figure 301223DEST_PATH_IMAGE015
为
Figure DEST_PATH_IMAGE016
*
Figure 40509DEST_PATH_IMAGE016
的单位矩阵，H为每个图像训练子集的集合哈希码，Z为图像训练子集的集合标签，
Figure 383504DEST_PATH_IMAGE017
为F范数。
5.根据权利要求4所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S2包括以下分步骤：
S21、固定哈希聚集模型中的P、B、H，构建第一目标优化函数计算线性哈希函数W；
S22、根据计算的线性哈希函数W，固定哈希聚集模型中的B、H，构建第二目标优化函数计算投影矩阵P；
S23、根据计算的线性哈希函数W和投影矩阵P，固定哈希聚集模型中的B，构建第三目标优化函数计算每个图像训练子集的集合哈希码H；
S24、根据计算的线性哈希函数W、投影矩阵P和每个图像训练子集的集合哈希码H，构建第四目标优化函数计算图像训练子集的每个实例的哈希码B；
S25、通过目标损失函数，计算当前的损失值，若损失值小于等于阈值，则将所有实例的哈希码B构建为实例哈希码矩阵，并得到训练完成的线性哈希函数，若损失值大于阈值，则跳转至步骤S21进行再次训练。
6.根据权利要求5所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S21中第一目标优化函数为：
Figure DEST_PATH_IMAGE018
其中，W为线性哈希函数，V为低维度图像特征，
Figure 476225DEST_PATH_IMAGE019
为平衡参数，B为图像训练子集的每个 实例的哈希码。
7.根据权利要求5所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S22中第二目标优化函数为：
Figure DEST_PATH_IMAGE020
其中，P为投影矩阵，L为实例标签，
Figure 886477DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
为平衡参数，B为图像训练子集的每个实例的 哈希码，H为每个图像训练子集的集合哈希码，Z为图像训练子集的集合标签，
Figure 531085DEST_PATH_IMAGE023
为F 范数。
8.根据权利要求5所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S23中第三目标优化函数为：
Figure DEST_PATH_IMAGE024
满足：
Figure 128420DEST_PATH_IMAGE025
其中，P为投影矩阵，L为实例标签，
Figure 275366DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE026
为平衡参数，B为图像训练子集的每个实例的 哈希码，
Figure 399180DEST_PATH_IMAGE027
为哈希长度，n为图像训练集数据所有样本数，k为图像训练集中所有图像训练子 集数，
Figure 90055DEST_PATH_IMAGE013
为全0矩阵，
Figure DEST_PATH_IMAGE028
为全1矩阵，
Figure 174686DEST_PATH_IMAGE029
为单位矩阵，H为每个图像训练子集的集合哈希 码，Z为图像训练子集的集合标签，
Figure DEST_PATH_IMAGE030
为F范数。
9.根据权利要求5所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S24中第四目标优化函数为：
Figure 733843DEST_PATH_IMAGE031
满足：
Figure DEST_PATH_IMAGE032
其中，P为投影矩阵，W为线性哈希函数，V为低维度图像特征，L为实例标签，
Figure 587530DEST_PATH_IMAGE021
，
Figure 947842DEST_PATH_IMAGE026
为平 衡参数，B为图像训练子集的每个实例的哈希码，
Figure 113244DEST_PATH_IMAGE033
为哈希长度，n为图像训练集数据所有样 本数，
Figure 210513DEST_PATH_IMAGE013
全0矩阵，
Figure DEST_PATH_IMAGE034
为单位矩阵，H为每个图像训练子集的集合哈希码，Z为图像训练子集 的集合标签，
Figure 918706DEST_PATH_IMAGE036
为F范数。
10.根据权利要求1所述的一种基于聚集哈希学习的图像集分类方法，其特征在于，所述步骤S3中计算待分类图像集的实例的哈希码的公式为：
Figure DEST_PATH_IMAGE037
其中，
Figure 216963DEST_PATH_IMAGE038
为待分类图像集的实例的哈希码，
Figure 135240DEST_PATH_IMAGE039
为训练完成的线性哈希函数，Y为待分类 图像集的低维度图像特征。
CN202210500350.9A 2022-05-10 2022-05-10 一种基于聚集哈希学习的图像集分类方法 Expired - Fee Related CN114596456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210500350.9A CN114596456B (zh) 2022-05-10 2022-05-10 一种基于聚集哈希学习的图像集分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210500350.9A CN114596456B (zh) 2022-05-10 2022-05-10 一种基于聚集哈希学习的图像集分类方法

Publications (2)

Publication Number Publication Date
CN114596456A true CN114596456A (zh) 2022-06-07
CN114596456B CN114596456B (zh) 2022-07-22

Family

ID=81820492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210500350.9A Expired - Fee Related CN114596456B (zh) 2022-05-10 2022-05-10 一种基于聚集哈希学习的图像集分类方法

Country Status (1)

Country Link
CN (1) CN114596456B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115168583A (zh) * 2022-07-05 2022-10-11 四川大学 一种基于特征与语义视图一致性的哈希图像集分类方法
CN116704293A (zh) * 2023-06-30 2023-09-05 北京建筑大学 基于对比学习的生活垃圾图像分类模型训练方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868743A (zh) * 2016-05-31 2016-08-17 天津中科智能识别产业技术研究院有限公司 一种基于快速监督离散哈希的人脸检索方法
CN107766555A (zh) * 2017-11-02 2018-03-06 电子科技大学 基于软约束无监督型跨模态哈希的图像检索方法
CN109063112A (zh) * 2018-07-30 2018-12-21 成都快眼科技有限公司 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
US20200364134A1 (en) * 2019-05-13 2020-11-19 International Business Machines Corporation Selecting test-templates using template-aware coverage data
AU2020103322A4 (en) * 2020-11-09 2021-01-14 Southwest University Supervised Discrete Hashing Algorithm With Relaxation Over Distributed Network
CN112395438A (zh) * 2020-11-05 2021-02-23 华中科技大学 一种多标签图像的哈希码生成方法和系统
CN114020948A (zh) * 2021-10-28 2022-02-08 武汉理工大学 基于排序聚类序列辨别选择的草图图像检索方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868743A (zh) * 2016-05-31 2016-08-17 天津中科智能识别产业技术研究院有限公司 一种基于快速监督离散哈希的人脸检索方法
CN107766555A (zh) * 2017-11-02 2018-03-06 电子科技大学 基于软约束无监督型跨模态哈希的图像检索方法
CN109063112A (zh) * 2018-07-30 2018-12-21 成都快眼科技有限公司 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
US20200364134A1 (en) * 2019-05-13 2020-11-19 International Business Machines Corporation Selecting test-templates using template-aware coverage data
CN112395438A (zh) * 2020-11-05 2021-02-23 华中科技大学 一种多标签图像的哈希码生成方法和系统
AU2020103322A4 (en) * 2020-11-09 2021-01-14 Southwest University Supervised Discrete Hashing Algorithm With Relaxation Over Distributed Network
CN114020948A (zh) * 2021-10-28 2022-02-08 武汉理工大学 基于排序聚类序列辨别选择的草图图像检索方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈昌红 等: "基于深度哈希算法的极光图像分类与检索方法", 《电子与信息学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115168583A (zh) * 2022-07-05 2022-10-11 四川大学 一种基于特征与语义视图一致性的哈希图像集分类方法
CN115168583B (zh) * 2022-07-05 2023-03-10 四川大学 一种基于特征与语义视图一致性的哈希图像集分类方法
CN116704293A (zh) * 2023-06-30 2023-09-05 北京建筑大学 基于对比学习的生活垃圾图像分类模型训练方法及装置
CN116704293B (zh) * 2023-06-30 2024-02-02 北京建筑大学 基于对比学习的生活垃圾图像分类模型训练方法及装置

Also Published As

Publication number Publication date
CN114596456B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN109783682B (zh) 一种基于点对相似度的深度非松弛哈希图像检索方法
Liu et al. Deep metric transfer for label propagation with limited annotated data
Zhang et al. SSDH: Semi-supervised deep hashing for large scale image retrieval
CN109241317B (zh) 基于深度学习网络中度量损失的行人哈希检索方法
Yuan et al. Scene recognition by manifold regularized deep learning architecture
Cheng et al. Learning coarse-to-fine sparselets for efficient object detection and scene classification
CN114596456B (zh) 一种基于聚集哈希学习的图像集分类方法
CN106033426B (zh) 一种基于潜在语义最小哈希的图像检索方法
CN110222218B (zh) 基于多尺度NetVLAD和深度哈希的图像检索方法
CN108984642B (zh) 一种基于哈希编码的印花织物图像检索方法
CN113326289B (zh) 面向携带新类别的增量数据的快速跨模态检索方法及系统
CN113971209B (zh) 一种基于注意力机制增强的无监督跨模态检索方法
CN109885728B (zh) 基于元学习的视频摘要方法
Abdul-Rashid et al. Shrec’18 track: 2d image-based 3d scene retrieval
CN110598022B (zh) 一种基于鲁棒深度哈希网络的图像检索系统与方法
Qin et al. Unsupervised deep multi-similarity hashing with semantic structure for image retrieval
Passalis et al. Learning neural bag-of-features for large-scale image retrieval
CN108491430A (zh) 一种基于对特征方向进行聚类的无监督哈希检索方法
Wang et al. Attention-based video hashing for large-scale video retrieval
CN111008224A (zh) 一种基于深度多任务表示学习的时间序列分类和检索方法
Qiao et al. Deep video code for efficient face video retrieval
Su et al. Semi-supervised knowledge distillation for cross-modal hashing
Peng et al. Deep boosting: joint feature selection and analysis dictionary learning in hierarchy
Nie et al. Classification-enhancement deep hashing for large-scale video retrieval
CN114299362A (zh) 一种基于k-means聚类的小样本图像分类方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220722