本發(fā)明涉及圖像檢索技術(shù)領(lǐng)域，特別是涉及一種基于內(nèi)容的圖像檢索方法及裝置。

背景技術(shù)：

基于內(nèi)容的圖像檢索(Content-based Image Retrieval，CBIR)，是對(duì)圖像的內(nèi)容語義(如圖像的顏色、紋理、布局等)進(jìn)行分析和檢索的圖像檢索技術(shù)。在當(dāng)前多媒體時(shí)代，圖像視頻資源日益豐富，在處理圖像數(shù)據(jù)時(shí)，能快速地檢索到與查詢圖像相同或相似的圖片尤為重要。例如，一些電商平臺(tái)，如何快速找到與查詢的圖片屬于同款或相似物品，可快速、精準(zhǔn)地為用戶推送相應(yīng)商品，提升用戶體驗(yàn)，減少人工操作工作量。

目前，大多數(shù)圖像檢索方法中，首先將圖像進(jìn)行特征提取，然后利用特征進(jìn)行相似度計(jì)算，根據(jù)相似度選取最為相似的圖像?？紤]到檢索速度，很多圖像檢索算法使用簡單的特征來描述圖像，導(dǎo)致對(duì)圖像的描述不夠細(xì)致。而有些圖像檢索算法基于單模型的深度學(xué)習(xí)，使得模型對(duì)圖像的描述不夠全面。因此，如何細(xì)致、全面地描述圖像，是圖像檢索中面臨的一個(gè)技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

為了提高圖像檢索準(zhǔn)確率，本發(fā)明實(shí)施例提供一種圖像檢索方法及裝置。

根據(jù)本發(fā)明一個(gè)方面，提供一種圖像檢索方法，包括：獲取待查詢圖像；將所述待查詢圖像以及預(yù)置的多條評(píng)測圖像輸入到預(yù)先建立的同款檢索模型和同類檢索模型中，輸出得到待查詢圖像特征和多條評(píng)測圖像特征；對(duì)所述待查詢圖像特征和所述多條評(píng)測圖像特征進(jìn)行相似度計(jì)算；按照相似度從高至低對(duì)多條評(píng)測圖像進(jìn)行排序，選取排序靠前的預(yù)置數(shù)目的評(píng)測圖像作為檢索結(jié)果。

優(yōu)選的，所述同款檢索模型的建立過程包括：構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同款圖像，其中，所述同款圖像是指與所述待查詢圖像的外觀相似的圖像；將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同款檢索模型。

優(yōu)選的，所述同類檢索模型的建立過程包括：構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同類圖像，其中，所述同類圖像是指與所述待查詢圖像屬于同一個(gè)種類的圖像；將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同類檢索模型。

優(yōu)選的，在所述輸出得到待查詢圖像特征和評(píng)測圖像特征之后，所述對(duì)所述待查詢圖像特征和所述評(píng)測圖像特征進(jìn)行相似度計(jì)算之前，還包括：對(duì)所述待查詢圖像特征和所述評(píng)測圖像特征進(jìn)行降維處理，并且對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射。

優(yōu)選的，采用主成分分析方法對(duì)所述待查詢圖像特征和所述評(píng)測圖像特征進(jìn)行降維處理；采用線性判決方法對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射。

根據(jù)本發(fā)明另一個(gè)方面，提供一種圖像檢索裝置，包括：圖像獲取單元，用于獲取待查詢圖像；模型操作單元，用于將所述待查詢圖像以及預(yù)置的多條評(píng)測圖像輸入到預(yù)先建立的同款檢索模型和同類檢索模型中，輸出得到待查詢圖像特征和多條評(píng)測圖像特征；相似度計(jì)算單元，用于對(duì)所述待查詢圖像特征和所述多條評(píng)測圖像特征進(jìn)行相似度計(jì)算；檢索結(jié)果確定單元，用于按照相似度從高至低對(duì)多條評(píng)測圖像進(jìn)行排序，選取排序靠前的預(yù)置數(shù)目的評(píng)測圖像作為檢索結(jié)果。

優(yōu)選的，還包括：同款檢索模型建立單元，用于構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同款圖像，其中，所述同款圖像是指與所述待查詢圖像的外觀相似的圖像；以及，將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同款檢索模型。

優(yōu)選的，還包括：同類檢索模型建立單元，用于構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同類圖像，其中，所述同類圖像是指與所述待查詢圖像屬于同一個(gè)種類的圖像；將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同類檢索模型。

優(yōu)選的，還包括：降維處理單元，用于對(duì)所述待查詢圖像特征和所述評(píng)測圖像特征進(jìn)行降維處理；映射單元，用于對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射。

優(yōu)選的，所述降維處理單元采用主成分分析方法對(duì)所述待查詢圖像特征和所述評(píng)測圖像特征進(jìn)行降維處理；映射單元采用線性判決方法對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射。

可見，本發(fā)明實(shí)施例提出了一種融合了多模型的圖像檢索方法，使得檢索返回的結(jié)果既與查詢圖像外觀上相似，同時(shí)使得它們都屬于同一個(gè)類別，融合這兩種互補(bǔ)的特征后可以顯著提高檢測準(zhǔn)確率。此外，本發(fā)明還使用了PCA和LDA對(duì)融合后的特征進(jìn)行降維和空間映射處理，在精度損失很小的情況下，極大地提高了檢索速度。

附圖說明

圖1是本發(fā)明一個(gè)實(shí)施例提供的一種圖像檢索方法流程圖；

圖2是本發(fā)明另一個(gè)實(shí)施例提供的一種圖像檢索方法流程圖；

圖3是本發(fā)明一個(gè)實(shí)施例提供的一種圖像檢索裝置結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。

現(xiàn)有技術(shù)中出于檢索速度的考慮，很多圖像檢索算法使用簡單的特征來描述圖像，導(dǎo)致對(duì)圖像的描述不夠細(xì)致。而有些圖像檢索算法基于單模型的深度學(xué)習(xí)，使得模型對(duì)圖像的描述不夠全面。因此，本發(fā)明基于商品同款檢索這一特定的圖像檢索目的，提出了融合了同款模型和同類模型的檢索策略，使得對(duì)圖像的描述更加細(xì)致、全面，并且，在優(yōu)選方式中，通過PCA(主成分分析)降維縮小特征維數(shù)，并通過LDA(線性判決分析)，進(jìn)行映射，從而提高檢索速度。

參見圖1，為本發(fā)明實(shí)施例提供的一種圖像檢索方法流程圖，該方法包括：

S101：獲取待查詢圖像；

S102：將待查詢圖像以及預(yù)置的多條評(píng)測圖像輸入到預(yù)先建立的同款檢索模型和同類檢索模型中，輸出得到待查詢圖像特征和評(píng)測圖像特征；

S103：對(duì)待查詢圖像特征和多條評(píng)測圖像特征進(jìn)行相似度計(jì)算；

S104：按照相似度從高至低對(duì)所述多條評(píng)測圖像進(jìn)行排序，選取排序靠前的預(yù)置數(shù)目的評(píng)測圖像作為檢索結(jié)果。

對(duì)于圖像檢索而言，最終目的是根據(jù)待查詢圖像，檢索到與之外觀相同或相似的圖像。本發(fā)明中，可根據(jù)深度學(xué)習(xí)理論，預(yù)先建立兩個(gè)模型：同款檢索模型，用于找到同一個(gè)款式或者同樣圖案的商品，使得返回的結(jié)果與待查詢圖像在外觀上相似；同類檢索模型，用于找到同一個(gè)類別的商品，保證返回的結(jié)果與待查詢圖像屬于同一個(gè)類別。通過融合上述兩個(gè)同款檢索模型和同類檢索模型，能更加細(xì)致并全面的描述圖像特征，從而提高檢索準(zhǔn)確度。本領(lǐng)域技術(shù)人員了解，深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示?；谏疃葘W(xué)習(xí)所建立模型描述的特征，可以理解是通過較低的維度數(shù)據(jù)向量表達(dá)原始數(shù)據(jù)相同的信息量。

本發(fā)明中，同款的含義是兩個(gè)圖像的外觀相同或相似，同類的含義是兩個(gè)圖像中的物品屬于同一個(gè)類別。例如，以服裝商品圖像查詢?yōu)槔?，黑白橫向條紋的兩件衣服屬于同款，通過同款檢索模型可匹配出同款衣服，同款衣服中可能包括T恤、襯衫、外套；進(jìn)一步，通過同類檢索模型可匹配出與待查詢圖像的同類別衣服圖像，例如，待查詢圖像中是T恤，則通過同類檢索模型僅匹配出同類的T恤。

為了描述簡便和直觀，本發(fā)明實(shí)施例以服裝商品的圖像檢索為例進(jìn)行說明。但是，需要說明的是，本發(fā)明實(shí)施例子不限于服裝商品圖像的檢索，還可用于其他商品圖像的檢索，例如電器、家具、日用品等等。

下面以服裝圖像檢索為例，對(duì)本發(fā)明另一實(shí)施例進(jìn)行介紹。

與圖1實(shí)施例區(qū)別在于，本實(shí)施例詳細(xì)描述了兩個(gè)檢索模型的建立過程(S201、S202)，并且，增加了對(duì)特征降維和映射的步驟(S205)。參見圖2，為本發(fā)明另一個(gè)實(shí)施例提供的圖像檢索方法流程圖，包括下述步驟S201-S207。

S201：建立同款檢索模型。

概括而言，同款檢索模型的建立過程包括兩個(gè)步驟：構(gòu)造訓(xùn)練集，訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同款圖像，其中，同款圖像是指與待查詢圖像的外觀相似的圖像；將訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立得到同款檢索模型。

具體的，在構(gòu)造訓(xùn)練集時(shí)，收集多幅待查詢圖像以及相應(yīng)的同款圖像，將這些外觀相似的一組圖片集存儲(chǔ)作為一個(gè)類別進(jìn)行訓(xùn)練。同時(shí)，為了捕捉到商品的更多細(xì)節(jié)并去除圖像的邊緣噪聲，可對(duì)所有圖像進(jìn)行預(yù)處理操作：分別將原始圖像放大，然后截取圖像中心預(yù)定大小的區(qū)域作為增加的數(shù)據(jù)，從而增加訓(xùn)練樣本數(shù)量。

然后，利用構(gòu)造的訓(xùn)練集，輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行分類訓(xùn)練。例如，深度學(xué)習(xí)網(wǎng)絡(luò)可采用GoodLeNet網(wǎng)絡(luò)。

對(duì)于深度學(xué)習(xí)算法而言，為提高圖像分類或檢索的性能，需要增加模型的深度或提高濾波器和神經(jīng)元的個(gè)數(shù)。GoodLeNet網(wǎng)絡(luò)采用22層結(jié)構(gòu)，同時(shí)在不同的深度處增加了兩個(gè)loss層來保證梯度值的存在，避免了層數(shù)過多導(dǎo)致的梯度變小的問題。同時(shí)，GoodLeNet網(wǎng)絡(luò)增加了多種核結(jié)構(gòu)，如1×1、3×3、5×5。此外，在卷積層之后和池化層之前，又加入了一個(gè)1×1的卷積核，以降低特征圖的厚度，防止最終串接起來的特征維數(shù)過于龐大。

因此，優(yōu)選使用GoodLeNet網(wǎng)絡(luò)做分類訓(xùn)練，經(jīng)過眾多次迭代之后，網(wǎng)絡(luò)的loss基本維持不變，最終的分類準(zhǔn)確率較高。

需要說明的是，雖然本發(fā)明優(yōu)選GoodLeNet網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，但是實(shí)際上，并不限于此，還可以采用其他深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。

在實(shí)際操作中發(fā)現(xiàn)，如果只用同款檢索模型對(duì)圖像進(jìn)行檢索，會(huì)出現(xiàn)一個(gè)明顯的問題，即返回的結(jié)果是跟查詢的外觀上較為相似的圖像，但是并沒有考慮是否與查詢商品屬于同一個(gè)類別。例如，當(dāng)輸入一幅帶有條紋的T恤商品圖像時(shí)，如果僅使用同款檢索模型，則返回的結(jié)果是都帶有條紋圖案的商品，其中既包括期望的T恤，也會(huì)包含期望之外的，例如外套、polo衫，顯得極為不合理。因此，預(yù)想的檢索結(jié)果既要與查詢圖像外觀相似，也要屬于同一個(gè)類別，因此增加了同類檢索模型。

S202：建立同類檢索模型。

概括而言，同類檢索模型的建立過程包括以下兩個(gè)步驟：構(gòu)造訓(xùn)練集，訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同類圖像，其中，同類圖像是指與待查詢圖像屬于同一個(gè)種類的圖像；將訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立得到同類檢索模型。

為了使得訓(xùn)練的類別足夠多，可采用技術(shù)領(lǐng)域公開的數(shù)據(jù)源，例如，采用ImageNet數(shù)據(jù)庫的公共競賽數(shù)據(jù)集。該數(shù)據(jù)庫共包含1000個(gè)類別、126萬張訓(xùn)練圖像。需要注意的是，該訓(xùn)練集中的同一個(gè)類別與上述同款檢索模型中的類別概念是不同的。在同款檢索模型中，同一個(gè)類包含的是同一件商品(或同一個(gè)款式商品)的不同姿態(tài)、不同角度下的圖像。而在同類檢索模型中，每個(gè)類別內(nèi)的圖像是指屬于同一個(gè)小范圍的種類，如T恤、羽絨服、連衣裙等，而不考慮圖案、款式是否相同。因此，同款檢索模型更關(guān)注的是外觀相似，而同類檢索模型約束的是屬于同一個(gè)種類。

利用在訓(xùn)練集上預(yù)訓(xùn)練的GoodLeNet網(wǎng)絡(luò)進(jìn)行特征提取，但是實(shí)驗(yàn)發(fā)現(xiàn)效果不是十分理想。于是進(jìn)一步的，可增大訓(xùn)練的數(shù)據(jù)集和類別數(shù)，例如，采用ImageNet數(shù)據(jù)庫的所有數(shù)據(jù)，該數(shù)據(jù)庫的圖像數(shù)目更多，類別數(shù)也更大，即分類更細(xì)致。因此在訓(xùn)練時(shí)，模型可捕捉到每個(gè)類別之間更加細(xì)微的差別，學(xué)習(xí)到的特征也能夠?qū)D像的描述更加細(xì)致。在具體操作中，可將基于ImageNet數(shù)據(jù)庫訓(xùn)練的模型進(jìn)行特征提取，與同款檢索模型的特征分別做二范數(shù)歸一化之后串接在一起，組成一個(gè)更長的特征，作為描述一幅圖像的最終特征。

S203：獲取待查詢圖像。

待查詢圖像一般是用戶輸入的商品圖像，用戶輸入該圖像，目的是查找到與之相同或相似的商品。

S204：將待查詢圖像以及預(yù)置的多條評(píng)測圖像輸入到同款檢索模型和同類檢索模型中，輸出得到待查詢圖像特征和多條評(píng)測圖像特征。

評(píng)測圖像是預(yù)先設(shè)置存儲(chǔ)的，可根據(jù)不同類型商品分別進(jìn)行預(yù)置和存儲(chǔ)。例如，對(duì)于服裝商品，預(yù)置服裝商品圖像，作為查詢和檢索的基礎(chǔ)數(shù)據(jù)庫。

如前描述的，由于同款檢索模型和同類檢索模型在建立過程中通過深度學(xué)習(xí)算法進(jìn)行了特征提取，因此在將待查詢圖像以及評(píng)測圖像輸入到兩個(gè)模型之后，即可得到待查詢圖像特征和評(píng)測圖像特征。

S205：對(duì)待查詢圖像特征和多條評(píng)測圖像特征進(jìn)行降維處理，并且對(duì)降維處理后的待查詢圖像特征和多條評(píng)測圖像特征進(jìn)行映射。

由于本發(fā)明采用同款檢索模型和同類檢索模型這兩個(gè)模型，因此導(dǎo)致特征增多，當(dāng)把多個(gè)特征組合在一起時(shí)，很顯然會(huì)導(dǎo)致特征維數(shù)增多，因此會(huì)影響后續(xù)相似度計(jì)算的效率。因此，可對(duì)待查詢圖像特征和評(píng)測圖像特征進(jìn)行降維處理，并且對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射，從而提高處理效果。

具體的，可采用主成分分析(Principal Component Analysis，PCA)對(duì)特征進(jìn)行降維處理，采用線性判決分析(Linear Discriminant Analysis，LDA)對(duì)降維后的特征進(jìn)行映射。

PCA是一種統(tǒng)計(jì)方法，通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。主成分分析是對(duì)于原先提出的所有變量，將重復(fù)的變量(關(guān)系緊密的變量)刪去多余，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而且這些新變量在反映課題的信息方面盡可能保持原有的信息。

LDA是分類算法中的一種，通過對(duì)歷史數(shù)據(jù)進(jìn)行投影，以保證投影后同一類別的數(shù)據(jù)盡量靠近，不同類別的數(shù)據(jù)盡量分開，并生成線性判別模型對(duì)新生成的數(shù)據(jù)進(jìn)行分離和預(yù)測。

本發(fā)明實(shí)施例中，由于提取的待查詢圖像特征和評(píng)測圖像特征是稀疏的，因此利用PCA降維可以去除不必要的噪聲，保留價(jià)值更大的特征維度。而LDA可以進(jìn)一步增大各特征類之間的距離，減少類內(nèi)距離，保證投影后的新樣本模式能夠被區(qū)分的更加明顯。

S206：對(duì)經(jīng)過降維處理和映射的待查詢圖像特征和評(píng)測圖像特征進(jìn)行相似度計(jì)算。

相似度計(jì)算用于衡量對(duì)象之間的相似程度，常見的相似度計(jì)算方法包括基于向量空間的相似度計(jì)算方法、基于hash的相似度計(jì)算方法、基于主題的相似度計(jì)算方法等。本發(fā)明實(shí)施例可采用現(xiàn)有或未來出現(xiàn)的相似度計(jì)算方法，對(duì)此不作限定。

S207：按照相似度從高至低對(duì)多條評(píng)測圖像進(jìn)行排序，選取排序靠前的預(yù)置數(shù)目的評(píng)測圖像作為檢索結(jié)果。

可以理解，評(píng)測圖像與待查詢圖像的相似度越高，表明評(píng)測圖像與待查詢圖像越接近，包括款式和類別越接近。經(jīng)過按照相似度從高至低對(duì)評(píng)測圖像進(jìn)行排序，可以選取出與待查詢圖像最為接近的預(yù)定數(shù)目的圖像。例如選取相似度從高至低的100個(gè)圖像。

可見，本發(fā)明實(shí)施例提出了一種融合了多模型的圖像檢索方法，使得檢索返回的結(jié)果既與查詢圖像外觀上相似，同時(shí)使得它們都屬于同一個(gè)類別，融合這兩種互補(bǔ)的特征后可以顯著提高檢測準(zhǔn)確率。此外，本發(fā)明還使用了PCA和LDA對(duì)融合后的特征進(jìn)行降維和空間映射處理，在精度損失很小的情況下，極大地提高了檢索速度。

需要說明的是，對(duì)于方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動(dòng)作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明實(shí)施例并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本發(fā)明實(shí)施例，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作并不一定是本發(fā)明實(shí)施例所必須的。

參照?qǐng)D3，是本發(fā)明實(shí)施例提供的一種圖像檢索裝置結(jié)構(gòu)示意圖。該裝置包括：

圖像獲取單元301，用于獲取待查詢圖像；

模型操作單元302，用于將所述待查詢圖像以及預(yù)置的多條評(píng)測圖像輸入到預(yù)先建立的同款檢索模型和同類檢索模型中，輸出得到待查詢圖像特征和多條評(píng)測圖像特征；

相似度計(jì)算單元303，用于對(duì)所述待查詢圖像特征和所述多條評(píng)測圖像特征進(jìn)行相似度計(jì)算；

檢索結(jié)果確定單元304，用于按照相似度從高至低對(duì)所述多條評(píng)測圖像進(jìn)行排序，選取排序靠前的預(yù)置數(shù)目的評(píng)測圖像作為檢索結(jié)果。

優(yōu)選的，該裝置還包括：

同款檢索模型建立單元305，用于構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同款圖像，其中，所述同款圖像是指與所述待查詢圖像的外觀相似的圖像；以及，將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同款檢索模型。

概括而言，同款檢索模型的建立過程包括兩個(gè)步驟：構(gòu)造訓(xùn)練集，訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同款圖像，其中，同款圖像是指與待查詢圖像的外觀相似的圖像；將訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到同款檢索模型。

具體的，在構(gòu)造訓(xùn)練集時(shí)，收集多幅待查詢圖像以及相應(yīng)的同款圖像，將這些外觀相似的一組圖片集中存儲(chǔ)作為一個(gè)類別進(jìn)行訓(xùn)練。同時(shí)，為了捕捉到商品的更多細(xì)節(jié)并去除圖像的邊緣噪聲，可對(duì)所有圖像進(jìn)行預(yù)處理操作：分別將原始圖像放大，然后截取圖像中心預(yù)定大小的區(qū)域作為增加的數(shù)據(jù)，從而增加訓(xùn)練樣本數(shù)量。

然后，利用構(gòu)造的訓(xùn)練集，輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行分類訓(xùn)練。例如，深度學(xué)習(xí)網(wǎng)絡(luò)可采用GoodLeNet網(wǎng)絡(luò)。

對(duì)于深度學(xué)習(xí)算法而言，為提高圖像分類或檢索的性能，需要增加模型的深度或提高濾波器和神經(jīng)元的個(gè)數(shù)。GoodLeNet網(wǎng)絡(luò)采用22層結(jié)構(gòu)，同時(shí)在不同的深度處增加了兩個(gè)loss層來保證梯度值的存在，避免了層數(shù)過多導(dǎo)致的梯度小時(shí)的問題。同時(shí)，GoodLeNet網(wǎng)絡(luò)增加了多種核結(jié)構(gòu)，如1×1、3×3、5×5。此外，在卷積層之后和池化層之前，又加入了一個(gè)1×1的卷積核，以降低特征圖的厚度，防止最終串接起來的特征維數(shù)過于龐大。

因此，優(yōu)選使用GoodLeNet網(wǎng)絡(luò)做分類訓(xùn)練，經(jīng)過眾多次迭代之后，網(wǎng)絡(luò)的loss基本維持不變，最終的分類準(zhǔn)確率較高。

需要說明的是，雖然本發(fā)明優(yōu)選GoodLeNet網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，但是實(shí)際上，并不限于此，還可以采用其他深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。

在實(shí)際操作中發(fā)現(xiàn)，如果只用同款檢索模型對(duì)圖像進(jìn)行檢索，會(huì)出現(xiàn)一個(gè)明顯的問題，即返回的結(jié)果是跟查詢的外觀上較為相似的圖像，但是并沒有考慮是否與查詢商品屬于同一個(gè)類別。例如，當(dāng)輸入一幅帶有條紋的T恤商品圖像時(shí)，如果指使用同款檢索模型，則返回的結(jié)果是都帶有條紋圖案的商品，其中既包括期望的T恤，也會(huì)包含期望之外的，例如外套、polo衫，顯得極為不合理。因此，預(yù)想的檢索結(jié)果既要與查詢圖像外觀相似，也要屬于同一個(gè)類別，因此增加了同類檢索模型。

優(yōu)選的，該裝置還包括：

同類檢索模型建立單元306，用于構(gòu)造訓(xùn)練集，所述訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同類圖像，其中，所述同類圖像是指與所述待查詢圖像屬于同一個(gè)種類的圖像；將所述訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立得到所述同類檢索模型。

概括而言，同類檢索模型的建立過程包括以下兩個(gè)步驟：構(gòu)造訓(xùn)練集，訓(xùn)練集中包括多幅待查詢圖像及相應(yīng)的同類圖像，其中，同類圖像是指與待查詢圖像屬于同一個(gè)種類的圖像；將訓(xùn)練集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立得到同類檢索模型。

為了使得訓(xùn)練的類別足夠多，可采用技術(shù)領(lǐng)域公開的數(shù)據(jù)源，例如，采用ImageNet數(shù)據(jù)庫的公共競賽數(shù)據(jù)集。該數(shù)據(jù)庫共包含1000個(gè)類別、126萬張訓(xùn)練圖像。需要注意的是，該訓(xùn)練集中的同一個(gè)類別與上述同款檢索模型中的類別概念是不同的。在同款檢索模型中，同一個(gè)類包含的是同一件商品(或同一個(gè)款式商品)的不同姿態(tài)、不同角度下的圖像。而在同類檢索模型中，每個(gè)類別內(nèi)的圖像是指屬于同一個(gè)小范圍的種類，如T恤、羽絨服、連衣裙等，而不考慮圖案、款式是否相同。因此，同款檢索模型更關(guān)注的是外觀相似，而同類檢索模型約束的是屬于同一個(gè)種類。

利用在訓(xùn)練集上預(yù)訓(xùn)練的GoodLeNet網(wǎng)絡(luò)進(jìn)行特征提取，但是實(shí)驗(yàn)發(fā)現(xiàn)效果不是十分理想。于是進(jìn)一步的，可增大訓(xùn)練的數(shù)據(jù)集和類別數(shù)，例如，采用ImageNet數(shù)據(jù)庫的所有數(shù)據(jù)，該數(shù)據(jù)庫的圖像數(shù)目更多，類別數(shù)也更大，即分類更細(xì)致。因此在訓(xùn)練時(shí)，模型可捕捉到每個(gè)類別之間更加細(xì)微的差別，學(xué)習(xí)到的特征也能夠?qū)D像的描述更加細(xì)致。

優(yōu)選的，該裝置還包括：

降維處理單元307，用于對(duì)所述待查詢圖像特征和所述多條評(píng)測圖像特征進(jìn)行降維處理；

映射單元308，用于對(duì)降維處理后的待查詢圖像特征和多條評(píng)測圖像特征進(jìn)行映射。

由于本發(fā)明采用同款檢索模型和同類檢索模型這兩個(gè)模型，因此導(dǎo)致特征增多，當(dāng)把多個(gè)特征組合在一起時(shí)，很顯然會(huì)導(dǎo)致特征維數(shù)增多，因此會(huì)影響后續(xù)相似度計(jì)算的效率。因此，可對(duì)待查詢圖像特征和評(píng)測圖像特征進(jìn)行降維處理，并且對(duì)降維處理后的待查詢圖像特征和評(píng)測圖像特征進(jìn)行映射，從而提高處理效果。

具體的，可采用主成分分析(PCA)對(duì)特征進(jìn)行降維處理，采用線性判決分析(LDA)對(duì)降維后的特征進(jìn)行映射。由于提取的特征是稀疏的，因此利用PCA降維可以去除不必要的噪聲，保留價(jià)值更大的特征維度。而LDA可以進(jìn)一步增大各特征類之間的距離，減少類內(nèi)距離，保證投影后的新樣本模式能夠被區(qū)分的更加明顯。

對(duì)于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見即可。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明實(shí)施例的實(shí)施例可提供為方法、裝置、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明實(shí)施例可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明實(shí)施例可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明實(shí)施例是參照根據(jù)本發(fā)明實(shí)施例的方法、終端設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理終端設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理終端設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理終端設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理終端設(shè)備上，使得在計(jì)算機(jī)或其他可編程終端設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程終端設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

盡管已描述了本發(fā)明實(shí)施例的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例做出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明實(shí)施例范圍的所有變更和修改。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者終端設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者終端設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者終端設(shè)備中還存在另外的相同要素。

以上對(duì)本發(fā)明所提供的一種關(guān)系型數(shù)據(jù)庫的調(diào)度方法及系統(tǒng)，進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。