基于内容与深度学习的图像检索研究

发布时间：2021-07-22 18:48

　　在数字图像技术突飞猛进的今天,海量的视觉图像信息呈爆炸式增长并且渗透在计算机行业的各个领域里。因而,如何迅速而有效地得到图像内容的表现方式和图像检索结果,一直是各个国家计算机产业发展的热门课题。在过去的十几年里,基于图像内容的图像检索己经炉火纯青,无论是图像语义内容的表达方式,还是相关的排序模型均已满足产业发展的各种要求。即使如此,其缺点仍然明显:特征间语义鸿沟难以处理;局部特征与全局特征各自为阵,难以形成优势互补。在近几年,深度学习在图像处理方面取得了令人瞩目的成绩,基于深度学习的特征在各项计算机视觉的任务中均有建树。在众多深度学习网络中,最具有代表性、最能表达图像整体内容本质的非卷积神经网络莫属。但是与此同时,图像中细节的表达、局部区域的识别和复杂图像背景干扰必然成为其劣势。由于在基于内容的图像检索中,难以实现对图像局部特征与全局特征的融合,本文采用sift局部特征与颜色特征作为不同的两个维度,嵌入到优化后的二维词袋模型中,提出了一种特征融合的二维倒排索引图像检索方法,即将sift特征与颜色特征结合至词袋模型的各个维度上进行检索。再通过图像深度学习神经网络中产生的全局特征,对检索结... 

【文章来源】：西安理工大学陕西省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

BoW模型

西安理工大学硕士学位论文元的一些不同随机子集时有用。在测试时，我们将所有神经元的输出都仅仅只乘以 0.5，对于获取指数级 dropout 网络产生的预测分布的几何平均值，这是一个合理的近似方法。当然其网络设计也是巧夺天工，网络结构如图 2-2 所示。由于单个 GPU 只有 3GB内存，这限制了在其训练网络的最大规模，因此将网络分布在两个 GPU 上。当时由于 GPU性能问题选择了跨 GPU 并行化，因为它们直接从另一个 GPU 的内存中读出和写入。

但终归都大同小异，图像在每个卷积层的处理结果也就是卷积模版的不同，每层卷积层的处理结果如图2-3 所示，以及 ReLU 与 POOL 的运用时机的改变。图 2-3 卷积神经网络各层示意图Fig. 2-3 Sketch of CNN result假日图像数据库(Holidaysdataset)[39]：此数据库是由一系列有关景物、景色、人物等组成包含社会、人文、自然等方面。其中也包含一些为了测试各种干扰下图像的鲁棒性，干扰类别诸如：旋转、视点变化和光照变化、模糊等。数据库中包含 500 幅查询图和 991

【参考文献】：
期刊论文
[1]一种改进的Hu不变矩算法在存储介质图像识别中的应用[J]. 原玥,王宏,原培新,常文文,化成城.  仪器仪表学报. 2016(05)
[2]基于改进Sobel算子的边缘检测算法的研究[J]. 何春华,张雪飞,胡迎春.  光学技术. 2012(03)
[3]K-means算法研究综述[J]. 吴夙慧,成颖,郑彦宁,潘云涛.  现代图书情报技术. 2011(05)
[4]基于改进形态学梯度和Zernike矩的亚像素边缘检测方法[J]. 魏本征,赵志敏,华晋.  仪器仪表学报. 2010(04)
[5]拉普拉斯加权聚类算法[J]. 黄鹏飞,张道强.  电子学报. 2008(S1)



本文编号：3297698