基于深度学习的图像检索技术研究

发布时间：2018-07-31 13:30

【摘要】：2012年以来,卷积神经网络已经在图像分类任务中取得了巨大成功。许多研究人员开始将预训练好的CNN模型作为特征提取器,应用于多种计算机视觉任务,如物体检测,物体识别,图像检索等。图像检索任务不仅需要关注类别所代表的类间差距,同时需要对同一类别内的图像加以分级区分。但是,全局CNN特征用于图像检索任务时,过于关注图像类别所代表的的全局语义信息,缺乏对图像局部细节的描述,以及不能有效的定义包含多个实体的图像,检索效果并不理想。本文研究基于深度学习的局部特征提取算法,通过特征聚合策略和显著性区域描述策略,生成可作用于图像检索任务的局部特征,主要工作如下:1.系统的给出了深度学习的理论基础,简要的介绍了几种传统的图像检索算法,介绍了几种经典的深度学习模型结构,并对目前深度学习应用于图像检索的相关工作进行了分析和总结。2.通过分析全局CNN特征作用于图像检索任务时不能有效的描述局部细节的缺陷,提出了一种聚合CNN低层特征图生成局部特征的策略。CNN模型的高层特征更注重语义信息,但是底层特征更注重局部细节信息。利用CNN模型从低到高越来越抽象的特性,本文通过提取低层的CNN特征图,并经过通道加权和空间加权聚合以及词袋模型聚合两种方式,生成可以描述图像细节的局部特征。相比于全局CNN特征,将这种局部特征应用于相同物体图像检索任务,检索准确率得到了有效提升。3.通过借鉴传统的局部特征描述子的生成过程,提出了通过提取显著性区域、显著性区域描述、编码三个步骤生成深度局部特征的策略。传统的局部描述子在图像检索领域仍然具有很大优势。因此,借鉴其原理,本文通过用显著性区域来代替传统局部特征中的关键点,从而生成深度局部特征。其中,本文利用图像理解的手段来提取显著性区域,并取得了较好的检索效果。本文在经典的图像数据集上进行了相同类别图像检索任务的实验仿真,并与经典的图像检索算法进行了对比。通过实验仿真证明了上述方法的有效性,能够进一步改善图像检索的效果,具有较强的实用性。
[Abstract]:Since 2012, the convolution neural network has achieved great success in the task of image classification. Many researchers begin to use pre-trained CNN models as feature extractors, which are applied to many computer vision tasks, such as object detection, object recognition, image retrieval and so on. The task of image retrieval needs not only to pay attention to the gap between classes, but also to classify the images within the same category. However, when the global CNN feature is used in image retrieval, it pays too much attention to the global semantic information represented by the image category, lacks the description of the local details of the image, and fails to effectively define the image containing multiple entities. The retrieval effect is not ideal. In this paper, the local feature extraction algorithm based on depth learning is studied. By means of feature aggregation strategy and salient region description strategy, local features can be generated for image retrieval tasks. The main work is as follows: 1. The theoretical basis of depth learning is given systematically, several traditional image retrieval algorithms are introduced briefly, and several classical depth learning model structures are introduced. The related work of depth learning applied in image retrieval is analyzed and summarized. 2. 2. By analyzing the defect that global CNN features can not effectively describe local details when they act on image retrieval tasks, a strategy to aggregate CNN low-level feature graphs to generate local features is proposed. The high-level features of CNN model pay more attention to semantic information. But the underlying features pay more attention to local details. Taking advantage of the more and more abstract features of CNN model from low to high, this paper extracts the low-level CNN feature map, and through channel weighted, spatial weighted aggregation and word bag model aggregation, generates local features that can describe the details of the image. Compared with the global CNN feature, the local feature is applied to the same object image retrieval task, and the retrieval accuracy is improved effectively. 3. By learning from the traditional process of local feature descriptors, this paper proposes a strategy of generating depth local features by extracting salient regions, describing salient regions and encoding three steps. Traditional local descriptors still have great advantages in image retrieval. Therefore, using its principle for reference, this paper uses the salient region instead of the key points in the traditional local feature to generate the depth local feature. In this paper, significant regions are extracted by means of image understanding, and good retrieval results are obtained. In this paper, the experimental simulation of the same kind of image retrieval task is carried out on the classical image dataset, and compared with the classical image retrieval algorithm. The experimental results show that the proposed method is effective and can further improve the effect of image retrieval.
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP181

【相似文献】

中国期刊全文数据库 前10条

1 江士方,汪英姿;图像及图像检索应用前景的探讨[J];江苏工业学院学报(社会科学版);2003年04期

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

中国重要会议论文全文数据库 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

中国博士学位论文全文数据库 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 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

6 李清亮;图像检索中判别性增强研究[D];吉林大学;2016年

7 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

8 程航;密文JPEG图像检索研究[D];上海大学;2016年

9 李强;基于语义理解的图像检索研究[D];天津大学;2015年

10 刘少伟;面向用户意图的社会化图像检索[D];清华大学;2016年

中国硕士学位论文全文数据库 前10条

1 卞颖;基于深度学习的图像检索技术研究[D];电子科技大学;2017年

2 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

3 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

4 章进洲;图像检索中的用户意图分析[D];南京理工大学;2015年

5 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

6 都业刚;基于显著性的移动图像检索[D];大连海事大学;2015年

7 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

8 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

9 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

10 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

，

本文编号：2155729