基于深度学习模型的图像检索研究
发布时间：2021-06-17 10:43
随着图像数量急剧增加,从海量图像中检索所需信息变得越来越困难,图像检索技术应运而生。图像检索技术能够有效地利用图像特征来检索所需图像。随着图像内容复杂程度的增加,基于图像底层特征的图像检索性能依然有限。因此随着深度学习地发展,基于深度学习的图像检索成为了研究的热点。为解决当前的图像检索方法生成的哈希码存在信息冗余,不能很好地保留图像语义相似性等问题,提出了一种基于深度卷积神经网络来学习哈希码的方法。首先通过深度卷积神经网络提取出图像的特征表示;然后将来自两个完全连接层的图像特征表示分割后输入到哈希层,并将分类误差以及阈值误差添加到损失函数中进行训练;最后将查询图像输入模型得到对应的哈希码。在CIFAR-10和NUS-WIDE两个数据集上的实验结果表明,所提方法在均值平均精度方面优于其他方法,能有效提高检索性能。为了进一步减轻存在的“语义鸿沟”问题,更好地提升多目标图像的检索性能,提出了基于深度卷积神经网络的多目标图像检索模型。首先利用区域推荐网络RPN生成候选区域,再将候选区域映射到图像的特征图上,并通过ROI池化层将不同尺度的输入映射成为固定尺度的特征向量,再通过深度卷积神经网络中的...
【文章来源】：中国民航大学天津市
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
基于内容的图像检索系统框架图
神经网络提取的高级语义特征。早期利用图像的颜色、纹理、形状等信息来提取图像特征。这类方法提取的特征是像的底层视觉特征，这种提取图像全局特征的方法简单明了，在上世纪 90 年代至本纪初曾是图像检索领域的主流方法。但是这类全局特征在面对形变、遮挡和裁剪等情时无法准确描述图像，因此很多学者转向了提取局部特征的研究中。关于局部特征的研究最具代表性的就是 SIFT 特征，其不仅具有几何不变性，而且于视角变化以及噪声等情况也能保持一定程度的稳定性。此外，SIFT 特征还衍生了多变种，例如、SURF、PCA-SIFT、Affine-SIFT、Color-SIFT 等。SIFT 特征对于图像索任务的发展贡献了及其重要的作用。图 2-2 展示了近年来图像检索研究中的一些重时刻。2003 年词袋模型 BoW 被引入图像检索任务，在之后近十年的时间里，基于 SIFT征的图像检索方法蓬勃发展，给图像检索任务带来了各种提升。而在 2012 年rizhevsky 等人将深度学习成功地应用在图像识别上。至此，基于 CNN 特征的图像检方法开始蓬勃发展。
所以 CNN 面对更大的图像数据时，表现出了良好的扩展性。图 2-3 卷积示意图2. 激活层假设一个模型的输出 y 和输入x满足的关系如式 2.1 所示，那么这个模型就是一个线性模型。i iiy = w x +b(2.1)其中， ,iw b ∈ R为模型的参数。任意的线性模型的组合还是线性模型，这是线性模型具有的最大特点。线性模型能够解决的问题是很有限的，现实生活中复杂的问题大多是无法线性分割的，因此在模型中加入非线性是非常有必要的。卷积运算是线性运算，因此在卷积层之外还要加入激活层，其用来在卷积神经网络中加入非线性。激活层让每一个神经网络中节点的输出利用非线性函数来改变模型的线性结构。这个非线性函数就是激活函数。常见的激活函数有ReLU，sigmoid，tanh 等。Relu 激活函数的函数表达如式 2.2 所示：f ( x ) = max(0, x)(2.2)sigmoid 函数表达形式如式 2.3 所示：1( )1xf xe =+(2.3)tanh 函数表达形式如式 2.4 所示：( )x xx xe ef xe e =+(2.4)
【参考文献】：
期刊论文
[1]基于CNN特征加权和区域整合的图像检索[J]. 袁晖,廖开阳,郑元林,曹从军,汤梓伟,邓轩. 计算机工程与科学. 2019(01)
[2]图像检索中的排序哈希算法研究综述[J]. 杨安邦,寿震宇. 数据通信. 2018(06)
[3]多媒体工程:2016——图像检索研究进展与发展趋势[J]. 于俊清,吴泽斌,吴飞,孙立峰. 中国图象图形学报. 2017(11)
[4]目标提取与哈希机制的多标签图像检索[J]. 陈飞,吕绍和,李军,王晓东,窦勇. 中国图象图形学报. 2017 (02)
[5]基于深度卷积神经网络和二进制哈希学习的图像检索方法[J]. 彭天强,栗芳. 电子与信息学报. 2016(08)
[6]图像检索技术的发展及现状分析[J]. 张蓓. 福建电脑. 2009(04)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
硕士论文
[1]基于深度哈希的大规模图像检索[D]. 焦文菲.西安电子科技大学 2018
[2]面向精确图像理解的深度学习与视觉注意技术研究[D]. 陈飞.国防科学技术大学 2016
[3]图像检索中分布式哈希索引技术研究[D]. 王鹏.中国科学技术大学 2014
本文编号：3235043
【文章来源】：中国民航大学天津市
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
基于内容的图像检索系统框架图
神经网络提取的高级语义特征。早期利用图像的颜色、纹理、形状等信息来提取图像特征。这类方法提取的特征是像的底层视觉特征，这种提取图像全局特征的方法简单明了，在上世纪 90 年代至本纪初曾是图像检索领域的主流方法。但是这类全局特征在面对形变、遮挡和裁剪等情时无法准确描述图像，因此很多学者转向了提取局部特征的研究中。关于局部特征的研究最具代表性的就是 SIFT 特征，其不仅具有几何不变性，而且于视角变化以及噪声等情况也能保持一定程度的稳定性。此外，SIFT 特征还衍生了多变种，例如、SURF、PCA-SIFT、Affine-SIFT、Color-SIFT 等。SIFT 特征对于图像索任务的发展贡献了及其重要的作用。图 2-2 展示了近年来图像检索研究中的一些重时刻。2003 年词袋模型 BoW 被引入图像检索任务，在之后近十年的时间里，基于 SIFT征的图像检索方法蓬勃发展，给图像检索任务带来了各种提升。而在 2012 年rizhevsky 等人将深度学习成功地应用在图像识别上。至此，基于 CNN 特征的图像检方法开始蓬勃发展。
所以 CNN 面对更大的图像数据时，表现出了良好的扩展性。图 2-3 卷积示意图2. 激活层假设一个模型的输出 y 和输入x满足的关系如式 2.1 所示，那么这个模型就是一个线性模型。i iiy = w x +b(2.1)其中， ,iw b ∈ R为模型的参数。任意的线性模型的组合还是线性模型，这是线性模型具有的最大特点。线性模型能够解决的问题是很有限的，现实生活中复杂的问题大多是无法线性分割的，因此在模型中加入非线性是非常有必要的。卷积运算是线性运算，因此在卷积层之外还要加入激活层，其用来在卷积神经网络中加入非线性。激活层让每一个神经网络中节点的输出利用非线性函数来改变模型的线性结构。这个非线性函数就是激活函数。常见的激活函数有ReLU，sigmoid，tanh 等。Relu 激活函数的函数表达如式 2.2 所示：f ( x ) = max(0, x)(2.2)sigmoid 函数表达形式如式 2.3 所示：1( )1xf xe =+(2.3)tanh 函数表达形式如式 2.4 所示：( )x xx xe ef xe e =+(2.4)
【参考文献】：
期刊论文
[1]基于CNN特征加权和区域整合的图像检索[J]. 袁晖,廖开阳,郑元林,曹从军,汤梓伟,邓轩. 计算机工程与科学. 2019(01)
[2]图像检索中的排序哈希算法研究综述[J]. 杨安邦,寿震宇. 数据通信. 2018(06)
[3]多媒体工程:2016——图像检索研究进展与发展趋势[J]. 于俊清,吴泽斌,吴飞,孙立峰. 中国图象图形学报. 2017(11)
[4]目标提取与哈希机制的多标签图像检索[J]. 陈飞,吕绍和,李军,王晓东,窦勇. 中国图象图形学报. 2017 (02)
[5]基于深度卷积神经网络和二进制哈希学习的图像检索方法[J]. 彭天强,栗芳. 电子与信息学报. 2016(08)
[6]图像检索技术的发展及现状分析[J]. 张蓓. 福建电脑. 2009(04)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
硕士论文
[1]基于深度哈希的大规模图像检索[D]. 焦文菲.西安电子科技大学 2018
[2]面向精确图像理解的深度学习与视觉注意技术研究[D]. 陈飞.国防科学技术大学 2016
[3]图像检索中分布式哈希索引技术研究[D]. 王鹏.中国科学技术大学 2014
本文编号：3235043
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3235043.html
