基于哈希算法和生成对抗网络的图像检索研究

发布时间：2023-03-04 01:51

　　人工智能时代不断进步,使得计算机在很多方面能够做到和人类一样思维的操作,大幅度提升了办事的效率,正因为科技的进步,图像检索方式也在不断进步,人们对于图像检索的需求也日渐增多,因此,如何在大规模的图像检索任务中提升速度和精度成为图像检索工程中非常关键的任务。针对如何提升大规模图像检索任务的精度和效率的问题,提出了一种结合哈希算法和生成对抗网络算法的图像检索模型。该模型在无监督条件下进行,即不利用图像标签信息解决相似向量分类的问题,做到检索精度准确且检索速率高效。首先,利用卷积神经网络提取图像特征,将图像更深层次的特征有效提取出来,将图像更复杂的内容准确表达。其次,将得到的特征向量经过哈希函数量化处理,得到二进制哈希码,同时,为了能够正确将无标签图像分类,使相似图像的哈希码更相似,将根据分类算法构造近邻结构辅助哈希算法生成二进制哈希码。接着,利用生成对抗网络优化所得二进制哈希码,将二进制噪声变量作为生成器的输入,使得判别器对生成的假样本或真实所得的二进制样本进行判断,生成器和判别器通过不断博弈,将准确的哈希码输出。最后利用汉明距离对图像的特征向量进行相似性匹配,最终完成图像检索任务。实验证...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 各章节结构安排
2 图像检索技术相关理论
    2.1 特征提取方法
    2.2 哈希学习
    2.3 生成对抗网络学习
    2.4 本章小结
3 结合哈希算法与生成对抗网络的图像检索方法
    3.1 图像数据集特征提取
    3.2 邻域结构辅助哈希学习
    3.3 GAN优化哈希码
    3.4 优化器增强训练
    3.5 误差损失函数
    3.6 本章小结
4 实验结果与分析
    4.1 实验环境及所用数据集
    4.2 实验评估标准
    4.3 实验对比算法
    4.4 模型测试与结果分析
    4.5 本章小结
5 总结与展望
参考文献
作者简历
学位论文数据集



本文编号：3753506