技術(shù)特征：

1.一種基于部分參數(shù)共享的深度卷積神經(jīng)網(wǎng)絡(luò)跨域服裝檢索方法，其特征在于，包括以下步驟：

S1：將街拍域、線上商品域的圖片分別輸入到兩路并行的結(jié)構(gòu)完全相同的深度卷積神經(jīng)網(wǎng)絡(luò)f中，即：將街拍域的圖片a輸入一路深度卷積神經(jīng)網(wǎng)絡(luò)得到f(a|w_l,w_us)，將線上商品域的圖片p，n輸入到另一路深度卷積神經(jīng)網(wǎng)絡(luò)得到f(p|w_l,w_uo)和f(n|w_l,w_uo)；其中w_l為低層神經(jīng)網(wǎng)絡(luò)層共享的參數(shù)，w_us為街拍域的高層神經(jīng)網(wǎng)絡(luò)層參數(shù)，w_uo為線上商品域的高層神經(jīng)網(wǎng)絡(luò)參數(shù)；p與a為同一款服裝，n與a為不同款服裝；

S2：計(jì)算圖片a與p的距離D(a,p)＝‖f(a|w_l,w_us)-f(p|w_l,w_uo)‖₂，a與n的距離D(a,n)＝‖f(a|w_l,w_us)-f(n|w_l,w_uo)‖₂；

S3：計(jì)算D(a,p)與D(a,n)的損失函數(shù)loss(D(a,p),D(a,n))＝max{0,n+D(a,p)²-D(a,n)²}，這是一個(gè)類鉸鏈損失函數(shù)，使得圖片a與圖片p在深度卷積神經(jīng)網(wǎng)絡(luò)f映射的空間中距離盡可能近，而圖片a與圖片n在深度卷積神經(jīng)網(wǎng)絡(luò)f映射的空間中距離盡可能遠(yuǎn)；m是一個(gè)超參數(shù)，用來(lái)控制同款服裝與不同款服裝在f映射的空間中距離差別的余裕度；

S4：上述S1、S2和S3得到一個(gè)端對(duì)端的可訓(xùn)練的基于部分參數(shù)共享的深度卷積神經(jīng)網(wǎng)絡(luò)跨域服裝檢索模型，產(chǎn)生多組(a,p,n)三元圖片組通過(guò)反向傳播算法來(lái)進(jìn)行訓(xùn)練模型，得到S1步中的參數(shù)w_l，w_us，w_uo；

S5：通過(guò)S4訓(xùn)練得到的檢索模型，將街拍域的圖片s映射為特征f(s|w_l,w_us)，將線上商品域的圖片o_i映射為f(o_i|w_l,w_uo)，i∈{1,2,…,N}，其中N是線上商品庫(kù)中圖片的數(shù)量；

S6：分別計(jì)算f(s|w_l,w_us)與f(o_i|w_l,w_uo)的歐式距離，即D(s,o_i)＝‖f(s|w_l,w_us)-f(o_i|w_l,w_uo)‖₂；

S7：對(duì)D(s,o_i)進(jìn)行由低到高的前K排序得到前K個(gè)最小歐式距離l∈{1,2,…,K}，圖片即為街拍域的圖片s在線上商品域的圖片集o_i，i∈{1,2,…,N}中的前K檢索結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于部分參數(shù)共享的深度卷積神經(jīng)網(wǎng)絡(luò)跨域服裝檢索方法，其特征在于，所述的S1包括以下步驟：

S101：將兩個(gè)域的三張圖片a，p，n縮放到同一大小，隨機(jī)裁剪其中一部分。

S102：輸入到兩路并行的結(jié)構(gòu)完全相同的深度卷積神經(jīng)網(wǎng)絡(luò)f中，a輸入到一路深度卷積神經(jīng)網(wǎng)絡(luò)中，得到f(a|w_l,w_us)；p，n分別輸入到另一路深度卷積神經(jīng)網(wǎng)絡(luò)中,得到f(p|w_l,w_uo)，f(n|w_l,w_uo)。

3.根據(jù)權(quán)利要求1或2所述的基于部分參數(shù)共享的深度卷積神經(jīng)網(wǎng)絡(luò)跨域服裝檢索方法，其特征在于，兩路并行的深度神經(jīng)網(wǎng)絡(luò)的低層神經(jīng)網(wǎng)絡(luò)層共享參數(shù)，高層神經(jīng)網(wǎng)絡(luò)層的參數(shù)互相獨(dú)立。