申请/专利权人：广东技术师范大学

申请日：2023-12-26

公开（公告）日：2024-03-26

公开（公告）号：CN117763188A

主分类号：G06F16/583

分类号：G06F16/583;G06F16/51;G06V10/44;G06V10/82;G06N3/0464;G06N3/048

优先权：

专利状态码：在审-公开

法律状态：2024.03.26#公开

摘要：发明公开了一种大规模细粒度哈希算法利用自适应放松函数进行优化训练的方法，定义长度为k的哈希码u，将待检索的细粒度图像Ⅰ输入到CNN特征提取器并输出特征M，将特征M输入到哈希描述网络模块中，并输出哈希特征h，将哈希特征h输入到设置的自适应放松函数Adaptanh·中，输出哈希值u，再使用优化函数对其进行不断优化训练，得出优化后的哈希值U。本发明通过建立可学习权重参数，构建自适应放松函数，继而以自适应的方式动态调整权重参数的值，促使哈希算法中的深度神经网络即CNN特征提取器和哈希描述网络模块中参数共同充分地训练，最终有效增强深度神经网络模型提取哈希码描述判别能力，提升哈希算法的性能。

主权项：1.一种大规模细粒度哈希算法利用自适应放松函数进行优化训练的方法，其特征在于：1定义长度为k的哈希码u，将待检索的细粒度图像Ⅰ输入到CNN特征提取器中，表示为ΘCNNI|θ，并输出特征M；2将特征M输入到哈希描述网络模块中，表示为ΦHASHM|φ，并输出哈希特征h；3将哈希特征h输入到设置的自适应放松函数Adaptanh·中， λ为一个自适应的可学习的用于调整放松函数梯度饱和区间范围的权重参数，输出哈希值u；4其中将3中的Adaptanhh根据链式法则，对输入的哈希特征h和权重参数λ进行偏导计算： 得到一个可学习的权重参数λ，所述权重参数λ可在训练阶段动态变化；5将一个所述哈希算法模型可定义为其中是CNN特征提取器ΘCNNI|θ的参数和哈希描述网络模块ΦHASHM|φ的参数的组合表示；6给定训练集其中为图像集合，为图像集合相对应的标签集合；7给定训练集的子集查询集可根据查询集标签与训练集的标签计算相似度关系标签矩阵S： 8设计一个有效的训练目标函数LHash： 9由4和8得到针对细粒度哈希算法的优化函数： 10根据6的训练集采样得到多轮7的查询集再利用9进行优化迭代后，可得到合适的模型参数的集合{θ,φ,λ}*；11将模型参数的集合{θ,φ,λ}*输入到1-3的过程，输出优化后的哈希值U。

全文数据：

权利要求：

百度查询： 广东技术师范大学 大规模细粒度哈希算法利用自适应放松函数进行优化训练的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD