近似最近邻搜索中投影增强型残差量化方法

发布时间：2021-11-14 18:18

　　为了降低图像特征向量量化的近似表示和高维向量带来的码书训练时间开销,提出了一种投影增强型残差量化方法。在前期的增强型残差量化工作基础上,将主成分分析与增强型残差量化相结合,使得码书训练和特征量化均在低维向量空间进行以提高效率;在低维向量空间上训练码书过程中,提出了联合优化方法,同时考虑投影和量化产生的总体误差,提升码书精度;针对该量化方法,设计了一种特征向量之间的近似欧氏距离快速计算方法用于近似最近邻完全检索。结果表明,相比增强型残差量化,在相同检索精度前提条件下,投影增强型残差量化的只需花费近1/3的训练时间;相比其它同类方法,所提出方法在码书训练时间效率、检索速度和精度上均具有更优的综合性能。该研究为主成分分析同其它量化模型的有效结合提供了参考。 

【文章来源】：激光技术. 2020,44(06)北大核心CSCD

【文章页数】：7 页

【文章目录】：
引 言
1 前期工作
    1.1 ERVQ码书训练
    1.2 ERVQ量化特征向量
2 投影增强型残差量化
    2.1 码书训练
        2.1.1 初始码书训练
        2.1.2 码书联合优化
    2.2 特征向量量化
3 近似最近邻完全检索
4 实 验
    4.1 实验数据集和实验环境
    4.2 投影维度对量化误差的影响
    4.3 投影维度对检索精度的影响
    4.4 同其它方法实验对比
        4.4.1 训练码书的时间开销对比
        4.4.2 检索精度对比
        4.4.3 检索效率对比
5 结 论


【参考文献】：
期刊论文
[1]Vector quantization: a review[J]. Ze-bin WU,Jun-qing YU.  Frontiers of Information Technology & Electronic Engineering. 2019(04)
[2]基于视点相关性的光场图像压缩算法[J]. 刘德阳,王广军,吴健,艾列富.  激光技术. 2019(04)
[3]增强型残差量化的图像视觉特征不完全检索方法[J]. 艾列富,刘奎,吴健.  合肥学院学报. 2016(01)
[4]High-dimensional indexing technologies for large scale content-based image retrieval: a review[J]. Lie-fu AI,Jun-qing YU,Yun-feng HE,Tao GUAN.  Journal of Zhejiang University-Science C（Computers & Electronics）. 2013(07)



本文编号：3495122