一种多尺度特征融合的图像检索方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114547358A(43)申请公布日2022.05.27(21)申请号202210125599.6G06N3/08(2006.01)(22)申请日2022.02.10(71)申请人中国人民解放军战略支援部队信息工程大学地址450001河南省郑州市高新区科学大道62号(72)发明人周杨蔡心悦胡校飞徐青彭杨钊赵璐颖张衡黄高爽阎晓东苑婧张呈龙刘龙辉(74)专利代理机构郑州睿信知识产权代理有限公司41119专利代理师吴敏(51)Int.Cl.G06F16/532(2019.01)G06N3/04(2006.01)权利要求书2页说明书9页附图11页(54)发明名称一种多尺度特征融合的图像检索方法(57)摘要本发明涉及一种多尺度特征融合的图像检索方法，属于图像检索技术领域。方法包括：获取待检索的图像；将待检索的图像输入训练好的多尺度特征融合模型中，得到特征提取结果；多尺度特征融合模型包括主干网络、第一添加模块、第二添加模块以及特征融合模块；第一添加模块中包括至少一个添加层，第二添加模块包括至少一个添加层，各添加层均包括依次设置的空洞卷积层、第二归一化层和第二激活层，并且第一添加模块中的空洞卷积层的空洞率小于第二添加模块中的空洞卷积层的空洞率；根据特征提取结果在图像信息库中进行搜索，找到与特征提取结果相似的图像，完成待检索图像的检索。本发明的特征提取保留了更多的图像细节信息，进而提高图像检索的精度。CN114547358ACN114547358A权利要求书1/2页1.一种多尺度特征融合的图像检索方法，其特征在于，包括以下步骤：1)获取待检索的图像；2)将待检索的图像输入训练好的多尺度特征融合模型中，得到特征提取结果；所述多尺度特征融合模型包括主干网络、第一添加模块、第二添加模块以及特征融合模块，主干网络输出连接第一添加模块，第一添加模块输出连接第二添加模块，特征融合模块连接主干网络、第一添加模块、第二添加模块的输出端；第一添加模块中包括至少一个添加层，第二添加模块包括至少一个添加层，各添加层均包括依次设置的空洞卷积层、第二归一化层和第二激活层，并且第一添加模块中的空洞卷积层的空洞率小于第二添加模块中的空洞卷积层的空洞率；主干网络用于输出至少一个基础特征图，第一添加模块用于输出第一添加特征图，第二添加模块用于输出第二添加特征图，特征融合模块用于将基础特征图、第一添加特征图、以及第二添加特征图进行融合后得到特征提取结果；3)根据特征提取结果在图像信息库中进行搜索，找到与特征提取结果相似的图像，完成待检索图像的检索。2.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述第一添加模块包括第一添加层、第二添加层和第三添加层，第一添加层、第二添加层和第三添加层的结构相同，第一添加层的输入端连接主干网络的输出端，第一添加层的输出端连接第二添加层的输入端，第二添加层的输出端连接第三添加层的输入端，第三添加层的输出端连接第二添加模块的输入端，且第三添加层输出连接特征融合模块。3.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述第二添加模块包括第四添加层和第五添加层，第四添加层和第五添加层的结构相同，第四添加层的输入端连接第一添加模块的输出端，第四添加层的输出端连接第五添加层的输入端，第五添加层的输出端连接特征融合模块。4.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，各添加层中空洞卷积层的前端、从输入到输出还设置有卷积层、第一归一化层和第一激活层。5.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，空洞卷积层的空洞卷积为：其中，F为离散函数，表示特征图，k为大小为k×k的卷积核，l为空洞率，s为特征图的像素值，t为卷积核的参数值，p为卷积函数的自变量，p＝s+lt。6.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，第一添加模块中的空洞卷积层的空洞率为2，第二添加模块中的空洞卷积层的空洞率为3。7.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述主干网络包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块，且第二卷积模块、第四卷积模块、第五卷积模块输出连接特征融合模块，第二卷积模块输出第三基础特征图、第四卷积模块输出第二基础特征图，第五卷积模块输出第一基础特征图。8.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述步骤3)中采用训练好的哈希函数确定特征提取结果的哈希编码，根据特征提取结果的哈希编码在图2CN114547358A权利要求书2/2页像信息库中的哈希编码中进行查找，得到若干候选图像的哈希编码，计算候选图像的哈希编码和特征提取结果的哈希编码的汉