(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210042348.1 (22)申请日 2022.01.14 (71)申请人 厦门理工学院 地址 361000 福建省厦门市集美区理工路 600号 (72)发明人 郭泽添　洪朝群　庄艳辉　周卉芬　 范一庆　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 专利代理师 连耀忠 (51)Int.Cl. G06F 16/583(2019.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于半监督的中心 乘积量化检索方法 (57)摘要 本发明提出一种基于半监督的中心乘积量 化图像检索方法， 通过特征提取后将空间切分为 若干个子空间， 然后对特征向量进行归一化处 理， 计算余弦距离让子向量能找到相应子空间中 最接近的码 字。 计算过程中使用半监督损失模块 减小量化误差， 最小化标记数据的经验误差和未 标记数据的嵌入误差， 最后用码 字替代子向量化 为二进制码存储到乘积量化查找表中， 通过非对 称距离计算进行图像检索； 本发 明提出的方法具 有更强的鲁棒 性， 提高图像 检索的精度。 权利要求书2页 说明书5页 附图1页 CN 114564610 A 2022.05.31 CN 114564610 A 1.一种基于半监 督的中心 乘积量化检索算法， 其特 征在于， 其包括以下处 理步骤： 步骤1： 将未标记图像数据和标记图像数据组成的数据集通过特征提取器生成D维特 征， 并对特 征向量进行归一 化处理， 将它们约束在一个单位超球面上； 步骤2： 根据步骤1得到 的D维特征， 通过空间切 分分成M份， 产生d维子空间， d＝D/M， 每 个子空间中有K个聚类中心， 同时特征向量被分为M个子向量， 乘积量化表收集M个码本， 每 个码本有K个码字； 步骤3： 将步骤2得到的子向量预处理后通过余弦相似度距离计算方法映射到最近的码 字， 并通过半监 督损失模块 最小化标记数据的经验误差和未 标记数据的嵌入误差； 步骤4： 将步骤3中得到的与子向量距离最近的码字替代子向量并格式化为子二进制 码， 并且将所有子二进制码连接起 来形成最终的二进制码存 储到乘积量 化表中； 步骤5： 输入待检索图像， 通过乘积量化查找表加载预计算的距离， 并且聚合所有加载 的预计算的距离来进 行非对称 计算， 得到最小预计算的距离， 实现图像检索， 所述预计算的 距离为查询图像与数据库中二进制代码的距离 。 2.如权利要求1所述的基于半监督的中心乘积量化检索算法， 其特征在于， 步骤3中子 向量预处理后通过余弦相似度 距离计算方法映射到最近的码字， 还包括根据软量化器得到 余弦相似度的距离， 计算公式如下： 式中： α表示软量化器的硬量化因子， k＝1,2,3...K， m＝1,2,3...M； Xm为子向量， Tmk为 码本中的码字； Sm为余弦相似度的距离 。 3.如权利要求2所述的基于半监督的中心乘积量化检索算法， 其特征在于， 步骤3 中的， 通过半监督损失模块最小化标记数据的经验误差和未标记数据的嵌入误差， 还包括到子向 量到量化子向量， 采用交叉熵损失表征误差， 具体为： 基于交叉熵损失LBCE的目标函数LPQL 为： 式中： Rm表示第m个特征向量和量化后的向量的余 弦相似性， Wm表示第m个量化子向量与 码字的相似性， Sm表示第m个向量所属标签与同一批次的向量标签之间的相似性。 4.如权利要求1所述的基于半监督的中心乘积量化检索算法， 其特征在于， 步骤3中得 到的子向量预 处理后通过余弦相似度 距离计算方法映射到最近的码字， 还包括采用余弦相 似度距离的分类器进行 分类， 通过标准交叉熵损失 的目标函数 表征分类损失， 分类 损失的公式如下：权　利　要　求　书 1/2 页 2 CN 114564610 A 2式中： γ是标准交叉熵损失函数中的比例因子， r是特征向量对应的标签， G是利用标记 数据得到的标号预测。 5.如权利要求4所述的基于半监督的中心乘积量化检索算法， 其特征在于， 步骤3中的 计算过程中通过半监督损失模块减小误差， 还包括通过子空间熵极大极小损失函数计算标 记数据和未标记数据 的分布差异引起的误差， 采用子空间熵极大极小损失函数的公式如 下： 式中： δ与β 是子空间熵极大极小损失函数中的比例因子， H为根据未标记数据 得到的余 弦距离的预测。权　利　要　求　书 2/2 页 3 CN 114564610 A 3