1.一种基于大批量训练的图文跨模态哈希检索方法，其特征在于：包括以下步骤：S1：对图像和文本数据进行预处理：

将图像数据和文本数据分别分为训练数据和查询数据，然后利用VGG-19深度学习模型提取图像的4096维的特征，将文本用词袋BoW模型表示成向量；

S2：哈希码映射：

图像特征和文本向量分别经过两层全连接层，得到图像和文本的低维特征，再经过阈值函数生成哈希码；

S3：建立目标损失函数L：

目标损失函数L包括三部分：1)图像特征FI和文本特征FT之间的距离，用基于边界的合页损失函数和sigmoid交叉熵来度量，得到损失函数L1和L2；2)度量低维特征F和哈希码H之间的距离，得到损失函数L3；3)权重W和偏置项B的正则化项，得到损失函数L4；将四个损失函数相加，得到目标损失函数L：min L＝L1+λL2+γL3+L4

其中λ和γ表示可调节的超参数；

S4：通过大批量方式输入三元组数据训练模型：

批量大小设为8192，采用三元组方式输入训练数据，所述三元组方式包括查询样本，正样本和负样本，再通过优化目标损失函数L训练模型；

S5：使用训练好的模型进行跨模态哈希检索：

将图像数据和文本数据输入训练好的模型，得到对应的哈希码，之后将哈希码通过二进制异或运算得到汉明距离，然后根据汉明距离大小对图像数据或者文本数据排序，取排在前面的数据作为检索结果。

2.根据权利要求1所述的基于大批量训练的图文跨模态哈希检索方法，其特征在于：步骤S2具体包括：图像特征和文本向量分别经过两层全连接层，得到图像和文本的低维特征，第一层全连接层的激活函数是tanh函数，第二层全连接层的激活函数是sigmoid函数，整个过程表示如下：其中，W为权重，B为偏置项，c1表示第一层全连接层，c2表示第二层全连接层，f表示图像的VGG-19特征或者文本的BoW向量，F为得到的数据的低维特征；将得到的低维特征F经过阈值函数生成哈希码H，阈值函数如下：

3.根据权利要求1所述的基于大批量训练的图文跨模态哈希检索方法，其特征在于：步骤S3中，所述图像特征FI和文本特征FT之间的距离：其中D表示距离，I+和I-分别表示与查询文本qT同语义和不同语义的图像， 表示I+与qT之间的距离， 表示I-与qT之间的距离，||·||Frobenius表示矩阵的Frobenius范数；使用一个基于边界的合页损失函数(a margin-based hinge loss function)来度量，如下式所示：其中β是 和 的边界值，是一个可调节的超参数；在训练优化过程中，目的是降低的值，同时增加 的值，即 越小， 越大越好；因此将该过程转化为二分类问题，使用sigmoid交叉熵函数来作为损失函数，得到如下损失：

4.根据权利要求1所述的基于大批量训练的图文跨模态哈希检索方法，其特征在于：步骤S3中，所述低维特征F和哈希码H之间的距离：哈希码是离散的，当数据的实值特征F在被转换为哈希码H时，会发生信息损失：其中 表示查询文本qT的低维特征FT与其对应的哈希码HT之间的距离； 表示图像I的低维特征FI与其对应的哈希码HI之间的距离。

5.根据权利要求1所述的基于大批量训练的图文跨模态哈希检索方法，其特征在于：步骤S3中，所述权重W和偏置项B的正则化项：大批量训练在训练模型时不稳定，为了降低其负面影响，引入正交正则化来作为权重W的惩罚项；对于偏置项B，使用L2正则化项作为惩罚项，得到损失项如下：其中Wtranspose是权重矩阵W的转置，Iindentity表示单位矩阵，B表示偏置项，θ和ω是超参数。

6.根据权利要求1所述的基于大批量训练的图文跨模态哈希检索方法，其特征在于：步骤S4具体包括：由于有图像检索文本和文本检索图像两种检索任务，因此将分别对模型进行训练，具体如下过程：S41：首先初始化权重W和偏置项B，设定批量大小为8192和训练轮次为n；

S42：为每个查询文本qT随机取出m个同语义的图像I+和不同语义的图像I-组成三元组(qT,I+,I-)，作为训练数据，对网络进行训练，并通过目标函数L更新权重W和偏置项B；

为每个查询图像qI随机取出m个同语义的文本T+和不同语义的文本T-组成三元组(qI,T+,T-)，作为训练数据，对网络进行训练，并通过目标函数L更新权重W和偏置项B。