基于深度学习的特征提取及其在图像检索中的应用

发布时间：2023-02-06 15:31

　　随着计算机视觉的发展,图像检索技术得到了很大的突破。图像的特征提取是图像检索的关键环节,好的特征提取算法不但可以为图像识别和检索带来方便,而且还可以提高图像检索系统的性能。传统图像检索的特征提取使用图像的纹理等浅层特征对图像进行描述,没有提取出图像的高层语义信息,检索性能较差。而基于深度学习的特征提取是通过神经网络算法提取图像特征,可以提取出图像的高层语义信息。针对图像检索中的特征提取,本文提出两种深度学习网络结构,基于聚类注意力神经网络的图像检索网络和基于半监督阶梯网络的图像哈希检索网络。基于半监督阶梯网络的图像哈希检索网络主要由半监督阶梯网络和哈希检索两部分组成,半监督阶梯网络通过半监督的方式训练神经网络,解决了无标签数据无法训练特征提取网络的问题,哈希检索的方式提高了图像检索的效率;基于聚类注意力神经网络的图像检索网络主要由基础网络,聚类注意力神经网络(Cluster Attention Network,CAN),多注意力多类约束损失函数(Multi Attention Multi Class,MAMC)三部分构成,该网络可提取出每张图像的多个关键区域特征,并利用多个关键区域特征...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于内容的图像检索研究现状
        1.2.2 基于深度学习的图像检索研究现状
    1.3 研究内容和结构安排
第二章 相关技术知识
    2.1 卷积神经网络
        2.1.1 理论基础
        2.1.2 主流模型
    2.2 图像特征提取
        2.2.1 传统图像特征提取
        2.2.2 基于深度学习的特征提取
    2.3 基于内容的图像检索
    2.4 本章小结
第三章 基于半监督阶梯网络的图像哈希检索算法
    3.1 半监督阶梯网络
        3.1.1 半监督机器学习
        3.1.2 阶梯网络
    3.2 哈希检索
        3.2.1 二值哈希检索
        3.2.2 四值哈希检索
    3.3 半监督阶梯网络的图像哈希检索算法
    3.4 实验过程和结果分析
        3.4.1 实验数据集
        3.4.2 实验设计
        3.4.3 实验分析
    3.5 本章小结
第四章 基于聚类注意力神经网络的图像检索算法
    4.1 注意力机制
    4.2 聚类神经网络
        4.2.1 聚类注意力神经网络
        4.2.2 多注意力多类约束损失函数
    4.3 聚类注意力神经网络图像检索算法
    4.4 实验过程和结果分析
        4.4.1 商品图像数据集
        4.4.2 实验设计
        4.4.3 实验分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
致谢



本文编号：3736163