【技术实现步骤摘要】
本专利技术属于图像处理，涉及一种面向智慧油田的大规模图像深度大间隔监督哈希检索方法及系统。
技术介绍
1、为了提高智慧油田的建设，提升智能化的精准度，不可避免的需要对海量的图像、视频等视觉数据进行高效处理，如无人机巡检、无人值守站场的图像与视频。有效的管理、查询这些丰富、直观的视觉信息显得尤为重要。因此，作为实现大规模图像数据库管理、查询的重要技术——图像检索已经成为了智慧油田智能化程度的一个标志。
2、基于内容的图像检索技术旨在图像数据库中搜索与查询图像相似的图像，在诸如搜索引擎、电子商务、医疗系统等领域应用广泛。近年来，能反映图像高层语义的深度特征被运用到图像检索任务中，且取得了很好的效果。因此，人们将深度卷积神经网络与哈希学习整合为统一框架，提出了深度监督哈希技术。该技术减小了语义鸿沟，大幅提高了检索精度。
3、现有的深度哈希技术大体可分为基于度量学习的方法与基于分类的方法，前者通过大量二元、三元组学习样本间的语义关系；后者将哈希学习嵌入在深度分类网络内。然而两者都存在相应的不足，基于度量的深度哈希方法收敛速度慢以及基于分类的深度哈希方法检索精度低。
技术实现思路
1、本专利技术的目的在于解决现有技术中基于度量的深度哈希方法收敛速度慢以及基于分类的深度哈希方法检索精度低的问题，提供一种面向智慧油田的大规模图像深度大间隔监督哈希检索方法及系统。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、面向智慧油田的大规模图像
4、步骤1：采集训练图像数据集输入至cnn网络进行初始化，使得训练轮次iter为0；
5、步骤2：将初始化后的训练图像数据集进行随机打乱；
6、步骤3：判断训练轮次是否大于中心损失使能轮次iterthres，若否，中心损失权重λ为0；若是，中心损失权重λ为λ0；λ0为设定的中心损失权重最大值；
7、步骤4：判断当前轮次内是否有训练图像数据需要计算，若是，从打乱后的训练图像数据集中选取若干张图像，并基于图像类别对选取的图像进行处理，获取cnn网络损失函数并进行反向传播，直至计算完成；若否，训练轮次iter+1，并更新类中心；
8、步骤5：判断训练轮次是否小于最大迭代次数maxiter；若是，重复步骤2至步骤4，不断更新cnn网络损失函数，直至训练轮次大于最大迭代次数maxiter；若否，结束训练，获取训练图像的哈希码。
9、本专利技术的进一步改进在于：
10、进一步的，训练图像数据集为x＝{x1,...,xl}，训练图像数据集对应的标签集为y＝{y1,...,yl}，所述cnn网络的参数为最大迭代次数maxiter，批次大小batchsize，中心损失使能轮次iterthres。
11、进一步的，基于图像类别对图像进行处理，具体为：
12、判断选取的图像是否为单标签数据，若是，则cnn网络损失函数为：
13、
14、若否，选取的图像为多标签数据，则cnn网络损失函数为：
15、
16、其中，yi为图像标签，wi为分类层参数，u为图像哈希码，θ为u与w的夹角，ci为第i类样本的类中心。
17、进一步的，cnn网络损失函数包括单标签图像样本的大间隔分类损失函数和类中心损失函数；
18、所述单标签图像样本的大间隔分类损失函数为：
19、
20、其中，i为样本类别，wi是矩阵w的第i个分类向量，θi为样本特征与wi之间的夹角；
21、类中心损失函数为：
22、
23、其中，ci为第i类样本对应的类中心，且
24、进一步的，cnn网络损失函数包括多标签图像样本的大间隔分类损失函数和类中心损失函数；
25、所述多标签图像样本的大间隔分类损失函数为：
26、
27、类中心损失函数为：
28、
29、进一步的，从打乱后的训练图像数据集中图像的数量与批次大小batchsize相同。
30、面向智慧油田的大规模图像深度大间隔监督哈希检索系统，包括：
31、初始化模块，所述初始化模块采集训练图像数据集输入至cnn网络进行初始化，使得训练轮次iter为0；
32、混合模块，所述混合模块将初始化后的训练图像数据集进行随机打乱；
33、第一判断模块，所述第一判断模块判断训练轮次是否大于中心损失使能轮次iterthres，若否，中心损失权重为0；若是，中心损失权重为λ0；λ0为设定的中心损失权重最大值；
34、第二判定模块，所述第二判定模块判断本轮次内是否有训练图像数据需要计算，若是，从打乱后的训练图像数据集中选取若干张图像，并基于图像类别对图像进行处理，获取cnn网络损失函数并进行反向传播，直至，计算完成；若否，训练轮次iter+1，并更新类中心；
35、第三判断模块，所述第三判断模块判断训练轮次是否小于最大迭代次数maxiter；不断更新cnn网络损失函数，直至训练轮次大于最大迭代次数maxiter，结束训练，获取训练图像的哈希码。
36、与现有技术相比，本专利技术具有以下有益效果：
37、本专利技术基于不同权重值的和图像的类别获取cnn网络损失函数，通过不断迭代训练，获取训练图像的哈希码；本专利技术基于分类的方法的特点，采取与图像分类一样的单点模式，不需要挑选元组，训练数据规模大大减小。而且分类问题优化效率高，本专利技术收敛速度快，有效地解决基于度量的深度哈希收敛速度的问题。
38、进一步的，大间隔分类损失函数能够增大不同类样本特征的距离，使不相似图像间的哈希码尽可能的远。类中心损失函数使得同类样本的哈希码间的距离尽可能小。通过增大类间特征距离、减小类内特征距离，本专利技术检索效果相较于简单的分类方法有很大提升，解决基于分类的深度哈希方法检索精度较低的问题。
本文档来自技高网...【技术保护点】
1.面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，包括：
2.根据权利要求1所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述训练图像数据集为X＝{x1,...,xL}，训练图像数据集对应的标签集为Y＝{y1,...,yL}，所述CNN网络的参数为最大迭代次数MaxIter，批次大小BatchSize，中心损失使能轮次IterThres。
3.根据权利要求2所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述基于图像类别对图像进行处理，具体为：
4.根据权利要求3所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述CNN网络损失函数包括单标签图像样本的大间隔分类损失函数和类中心损失函数；
5.根据权利要求3所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述CNN网络损失函数包括多标签图像样本的大间隔分类损失函数和类中心损失函数；
6.根据权利要求2所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在
7.面向智慧油田的大规模图像深度大间隔监督哈希检索系统，其特征在于，包括：
...【技术特征摘要】
1.面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，包括：
2.根据权利要求1所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述训练图像数据集为x＝{x1,...,xl}，训练图像数据集对应的标签集为y＝{y1,...,yl}，所述cnn网络的参数为最大迭代次数maxiter，批次大小batchsize，中心损失使能轮次iterthres。
3.根据权利要求2所述的面向智慧油田的大规模图像深度大间隔监督哈希检索方法，其特征在于，所述基于图像类别对图像进行处理，具体为：
4.根据权利要求3所述的面向智...
【专利技术属性】
技术研发人员：范磊，夏小芳，李东阳，李丹平，张娟涛，寇迪，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。