基于语义分割的大规模图片搜索技术研究

发布时间：2020-07-22 11:11

【摘要】：基于大规模数据集的相似性搜索是计算机视觉和多媒体的一个重要分支,大数据背景下,在海量图片中进行相似性检索,对于内存空间的要求极高,并且,如何在大规模的图片中快速、精确查找所需要的信息,是亟待解决的问题。哈希技术能够以较短长度的二进制码表示图片,并且保留图片相似性,极大程度地减少计算量和存储空间,提升了搜索效率。因而,基于哈希的近似性搜索技术广泛应用于图片搜索领域。在多标记多示例图片搜索框架中,图片由多个示例表示,并赋予多个类别标记。因为示例和标记之间无直接的对应关系,而且图片特征空间不能直接反映标记的语义信息。针对多示例多标记图片搜索的难点,本文提出基于语义分割的图片哈希搜索算法,首先利用深度学习对图片进行基于语义分割的特征提取,然后,通过对目标函数的优化,得到最优化的距离度量,以保证示例和标记的语义一致性和标记之间的相关性。最后利用锚图哈希算法,生成示例的哈希码,以实现示例的快速近似搜索,提高图片搜索的准确度。在MSRC v2,PASCAL VOC2012数据库中,本文提出的算法和现有的多种图片哈希算法进行了图片检索性能对比,从而进一步验证了本文提出的算法在搜索精度和开销方面的优越性。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41
【图文】：

图像语义,计算机视觉,示例,图片

士研究生学位论文区域一般被人们称之为目标示例或者前景；图片的其他区域称之，图片由若干个示例表示，每个示例都含有标记类别，这样就可例，并返回近邻示例所在的图片包。这样，基于语义分割的图片可以应用于罪犯行踪分析，从而帮助公安机关实施抓捕等领域。割背景下，图片检索技术的性能依赖于示例分割和识别是否准确分类错误，将会严重影响图片检索的效果，如图 1.1 所示，如果语的区域，就会影响搜索该示例的近邻效果，或者该示例被识别成示例就都是错误的。所以完善的语义分割效果对于图片检索至关

示意图,图像语义,语义信息,图像分割

图 2.1 图像语义信息（第 2 列图像分割，第 3 列语义信息识别），使用卷积神经网络提取特征，采用的框架是 VGG-16 网络[28]。该理、色差、RGB 通道等特征方面效果显著，比例合理。，生成概率图谱，使用去卷积网络。如图 2.2 所示，概率图谱对每个断其所属类别。图 2.2 去卷积（反卷积）网络语义分割示意图的像素点整合成概率图谱，即可完成图像语义分割。目前对于图片

示意图,去卷积,反卷积,示意图

图 2.1 图像语义信息（第 2 列图像分割，第 3 列语义信息识别）一步，使用卷积神经网络提取特征，采用的框架是 VGG-16 网络[28]。该方法在提、纹理、色差、RGB 通道等特征方面效果显著，比例合理。二步，生成概率图谱，使用去卷积网络。如图 2.2 所示，概率图谱对每个像素点进，判断其所属类别。

【相似文献】