基于语义排序哈希的遥感图像检索优化方案

基于语义排序的哈希学习(deep semantic ranking based hashing，DSRH)是针对多标签图像检索提出的一种深度哈希方法。基本思想是:基于语义排序学习哈希函数，以保持语义空间中多标签图像之间的多级相似性。基于DSRH的图像检索整体框架图如图7-3所示，首先利用深度卷积神经网络提取图像丰富的多级语义信息，同时通过语义排序监督学习深度哈希函数，排序依据为查询图像和候选图像之间共享类标签的数量。由于从深度特征表示、语义排序两方面学习到哈希码的映射关系，DSRH比常规的两阶段哈希方法更有效。

图7-3　基于语义排序哈希学习(DSRH)的图像检索方法框架图

DSRH的具体算法流程分为以下3个步骤:

首先，将输入图像的尺寸调整为224×224像素；

然后，将图像输入5个卷积层和2个全连接层，获得图像的深层特征表示；

最后，将图像的深层特征输入哈希层以生成紧凑的二进制代码。第二个全连接层(FCb)依赖于图像类别，有很强的不变性，不利于获取微秒的语义差别。为了减少可能的信息丢失，在第一个全连接层(FCa)和哈希层之间添加了旁路连接。通过将哈希层同时与两个全连接层连接，从而获得更加丰富的信息。

基于DSRH的深度哈希函数结构如图7-4所示。

(www.xing528.com)

图7-4　基于语义排序的哈希学习(DSRH)的深度哈希函数结构图

深度哈希函数的定义如下式所示:

其中，p表示一个排序列表的截断位置，Z为常量，ri为排序列表中第i个数据点的相似等级。

此外，DSRH采用了一种基于代理损失的策略，将一组三元组哈希码上定义的排序损失作为代理损失，以解决非平滑和多元排序度量导致的优化问题，然后使用随机梯度下降算法来优化模型参数。DSRH的语义排序损失函数定义如下:

图7-5给出一组基于语义排序的哈希学习(DSRH)方法在多标签数据集MLRSD上的检索结果。结果表明，DSRH算法中的多级语义排序监督，可以使哈希函数更好地保持多标签图像的语义信息。

图7-5　基于语义排序的哈希学习(DSRH)的遥感图像检索结果