买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明公开了一种基于优化自适应度量学习的图像匹配方法及系统，提出了一种对类内类间距离可感知的惩罚系数，分别作为两类距离的额外优化系数，构建出优化自适应的损失函数形式。同时，采用分治的算法思想，先对样本进行粗粒度的样本分类，将三元组内的样本的相似关系从二元扩展至四元，细化了不同样本间的空间分布关系，进而提升整个网络对样本分类的准确性，最终实现在不引入新的网络模型的前提下提升图像匹配精准度的效果。

主权项：1.一种基于优化自适应度量学习的图像匹配方法，其特征在于，包括以下步骤：步骤1：构建优化自适应度量学习网络；所述优化自适应度量学习网络，是在Dnet最后的输出层添加一个输出维度为K的全连接层将输出结果变换为1×K的向量作为图像的特征向量fpre，在此基础上再添加一个输出维度为L的全连接层，输出1×L的输出结果向量Vp；步骤2：训练所述优化自适应度量学习网络，获得训练好的优化自适应度量学习网络；其中，训练样本三元组记为其中，锚点样本记为正样本为与锚点标签相同的样本数据记为负样本为与锚点标签不同的样本数据记为步骤2的具体实现包括以下子步骤：步骤2.1：构建图像训练样本集；已知图像训练样本集Pi＝imgi,IDi，其中Pi表示训练集中第i个图像样本，IDi∈NL是该样本的标签向量，L是样本集中所有样本类别的总数，N是样本总数目；imgi表示Pi对应的样本图像；步骤2.2：将图像训练样本集中样本i输入所述优化自适应度量学习网络，输出1×L结果向量步骤2.3：利用Softmax公式将归一化为向量 步骤2.4：利用公式2所示的交叉熵损失函数，通过反向传播的方式对网络参数进行优化；对网络进行预设轮次的循环训练后，得到训练好的优化自适应度量学习网络A； 其中yil表示第i个样本的真实标签向量中第l维的向量值，是第i样本的输出标签向量第l维的向量值；对优化自适应度量学习网络A进行再训练，获得训练好的优化自适应度量学习网络；具体实现包括以下子步骤：步骤2.5：将图像训练样本集中样本i输入所述优化自适应度量学习网络A，输出待匹配图像的特征向量集合记为将样本从图像空间映射至初始特征空间；步骤2.6：使用K-Means聚类方法对进行聚类，使用欧氏距离度量任意两点之间的距离，预设置聚类的类别为W；随机初始化W个样本点，作为W个类簇的类中心，计算若干数据点到中心点的距离，数据点的类别被定义为Ai当且仅当该数据点与该类别的中心点小于其到其他中心点的距离；利用多维空间类中心计算公式计算新的类别的中心点，循转执行直至每一类类中心不再变化为止，得到聚类结果；步骤2.7：根据步骤2.6的聚类结果，为每个待匹配图像重新打标，使得原始的标签数据Pi＝imgi,IDi扩展至Pi＝imgi,IDi,Mi，其中Mi是imgi所属的聚类类别，为imgi粗粒度分类类别；步骤2.8：对于给定的锚点样本定义普通负样本为与锚点具有不同的ID和不同的M的样本，用表示，定义困难负样本为具有不同ID和相同的M的样本，用表示；定义普通正样本为与锚点具有相同的ID和相同的M的样本，用表示，定义困难正样本为与锚点具有相同的ID和不同的M的样本，用表示；根据图像样本间的视觉相似关系，困难负样本与锚点间最优距离ONh应弱小于普通负样本与锚点间的最优距离ONn；困难正样本与锚点间最优距离OPh应弱大于普通正样本与锚点间的最优距离OPn，ONh＝δNONn，OPn＝δPOPp，δN,δP∈0,1；使用困难样本、普通样本和损失函数LT对优化自适应度量学习网络A进行再训练，获得训练好的优化自适应度量学习网络； 其中，fx表示样本x的特征向量，d表示两个特征向量之间的欧式距离，m是决策边界,[x]+＝max{x,0}；αp和αn为学习步长自适应的惩罚系数，超参数OP和ON分别表示和最优理想值；β是尺度调节参数；步骤3：将需要匹配图像输入所述训练好的优化自适应度量学习网络，输出匹配图像。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于优化自适应度量学习的图像匹配方法及系统