基于卷积神经网络和监督核哈希的图像检索方法
本文选题:深度学习 切入点:图像检索 出处:《电子学报》2017年01期 论文类型:期刊论文
【摘要】:当前主流的图像检索方法采用的视觉特征,缺乏自主学习能力,导致其图像表达能力不强,此外,传统的特征索引方法检索效率较低,难以适用于大规模图像数据.针对这些问题,本文提出了一种基于卷积神经网络和监督核哈希的图像检索方法.首先,利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系,提取图像深层特征,增强特征的视觉表达能力和区分性;然后,利用监督核哈希方法对高维图像深层特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索.在Image Net-1000和Caltech-256数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,提高图像检索效率,优于当前主流方法.
[Abstract]:The visual features used in the current mainstream image retrieval methods lack the ability of autonomous learning, which leads to the poor performance of their image expression. In addition, the traditional feature indexing methods have low retrieval efficiency. It is difficult to apply to large scale image data. Aiming at these problems, this paper proposes an image retrieval method based on convolution neural network and supervised kernel hash. Using the learning ability of the convolutional neural network to mine the implicit relation of the training image content, extract the deep feature of the image, enhance the visual expression ability and distinguishing ability of the feature. The supervised kernel hash method is used to monitor the deep features of high-dimensional images, and the high-dimensional features are mapped to low-dimensional hamming spaces to generate compact hash codes. The experimental results on Image Net-1000 and Caltech-256 datasets show that the proposed method can effectively enhance the expression ability of image features and improve the efficiency of image retrieval. Better than the current mainstream method.
【作者单位】: 解放军信息工程大学信息系统工程学院;武警工程大学电子技术系;河南工程学院计算机学院;
【基金】:国家自然科学基金(No.60872142,No.61301232)
【分类号】:TP391.41;TP183
【相似文献】
相关期刊论文 前10条
1 韩法旺;;基于云计算模式的图像检索研究[J];情报科学;2011年10期
2 何岩;;以计算机为基础的色彩图像检索方法与研究[J];计算机光盘软件与应用;2013年12期
3 郭海凤;李广水;仇彬任;;基于融合多特征的社会网上图像检索方法[J];计算机与现代化;2013年12期
4 柏正尧,周纪勤;基于复数矩不变性的图像检索方法研究[J];计算机应用;2000年10期
5 夏峰,张文龙;一种图像检索的新方法[J];计算机应用研究;2002年11期
6 邓诚强,冯刚;基于内容的多特征综合图像检索[J];计算机应用;2003年07期
7 斯白露,高文,卢汉清,曾炜,段立娟;基于感兴趣区域的图像检索方法[J];高技术通讯;2003年05期
8 刘怡,于沛;基于“知网”的新闻图像检索方法[J];河南师范大学学报(自然科学版);2003年02期
9 张荣,郑浩然,李金龙,王煦法;进化加速技术在图像检索中的应用[J];计算机工程与应用;2004年16期
10 黄德才,胡嘉,郑月锋;交互式图像检索中相关反馈进展研究[J];计算机应用研究;2005年09期
相关会议论文 前10条
1 陈旭文;朱红丽;;一种高效的图像检索方法[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
2 周向东;张亮;张琪;刘莉;殷慷;施伯乐;;一种新的图像检索相关反馈方法[A];第十九届全国数据库学术会议论文集(研究报告篇)[C];2002年
3 陈世亮;李战怀;闫剑锋;;一种基于本体描述的空间语义图像检索方法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
4 赵海英;彭宏;;基于最优近似反馈的图像检索[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年
5 许相莉;张利彪;于哲舟;周春光;;基于商空间粒度计算的图像检索[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年
6 李凌伟;周荣贵;刘怡;;基于概念的图像检索方法[A];第十九届全国数据库学术会议论文集(技术报告篇)[C];2002年
7 杨关良;李忠杰;徐小杰;;基于代表色的图像检索方法研究[A];首届信息获取与处理学术会议论文集[C];2003年
8 彭瑜;乔奇峰;魏昆娟;;基于多示例学习的图像检索方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
9 胡敬;武港山;;基于语义特征的风景图像检索[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年
10 许天兵;;一种基于语义分类的图像检索方法[A];中国图象图形学会第十届全国图像图形学术会议(CIG’2001)和第一届全国虚拟现实技术研讨会(CVR’2001)论文集[C];2001年
相关博士学位论文 前10条
1 崔超然;图像检索中自动标注、标签处理和重排序问题的研究[D];山东大学;2015年
2 杨迪;基于内容的分布式图像检索[D];北京邮电大学;2015年
3 张旭;网络图像检索关键技术研究[D];西安电子科技大学;2014年
4 吴梦麟;基于半监督学习的医学图像检索研究[D];南京理工大学;2015年
5 汪友宝;基于多分辨率和显著特征的图像检索方法研究[D];上海大学;2015年
6 张运超;面向海量图像检索的视觉编码方法分析与优化[D];北京理工大学;2015年
7 高毫林;基于哈希技术的图像检索研究[D];解放军信息工程大学;2014年
8 李清亮;图像检索中判别性增强研究[D];吉林大学;2016年
9 刘爽;多特征融合图像检索方法及其应用研究[D];哈尔滨理工大学;2016年
10 李展;基于多示例学习的图像检索与推荐相关算法研究[D];西北大学;2012年
相关硕士学位论文 前10条
1 赵鸿;基于尺度不变局部特征的图像检索研究[D];华南理工大学;2015年
2 孙剑飞;基于图像索引的热点话题检索方法研究[D];兰州大学;2015年
3 章进洲;图像检索中的用户意图分析[D];南京理工大学;2015年
4 苗思杨;移动图像检索中的渐进式传输方式研究[D];大连海事大学;2015年
5 都业刚;基于显著性的移动图像检索[D];大连海事大学;2015年
6 王梦蕾;基于用户反馈和改进词袋模型的图像检索[D];南京理工大学;2015年
7 许鹏飞;基于草图的海量图像检索方法研究[D];浙江大学;2015年
8 冯进丽;基于BoF的图像检索与行为识别研究[D];山西大学;2015年
9 乔维强;基于低级特征和语义特征的医学图像检索[D];北京理工大学;2015年
10 蒋国宝;基于内容的概念建模和图像检索重排序[D];复旦大学;2014年
,本文编号:1637818
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1637818.html