基于深度学习的图像搜索系统研究与实现
发布时间：2021-09-14 20:50
随着人工智能的浪潮兴起和智能技术的发展普及,互联网和移动智能终端产生的数字图像呈现指数爆炸增长。图像数据给用户带来舒适体验和便捷服务的同时,也带来了巨大挑战。如何从海量的图像数据中筛选用户感兴趣的图片,并搜索用户想要的相关相似内容是面临的数据难题。图像搜索作为计算机视觉研究的重要领域之一,可以解决大规模数字图像搜索相似内容这一难题。图像搜索目前在研究和应用中仍存在的问题有:（1）图像内容特征难以准确表达,即计算机的模型算法对图像特征的表达与人在视觉上的感知存在差异性,降低了图像搜索的准确率;（2）近似近邻搜索算法中,单一度量函数对图像内容特征相似度结果存在偏差导致准确率下降问题仍需研究;（3）目前国内外图像搜索的应用引擎大多是基于文本的方式,图像搜索结果存在不相关的情况较多。针对上述问题,本文以深度学习为支撑,重点围绕生成高效且蕴含语义的图像内容特征和快速准确实现大规模图像搜索进行研究,实现了面向互联网购物平台的图像搜索系统。主要研究内容有:（1）针对图像内容特征难以准确表达的问题,提出并实现了一种基于CNN-DeepAE的特征提取和编码联合模型。该模型采用多特征融合的方法优化了图像内...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１－２近似近邻搜索算法在Ｆａｓｈｉｏｎ－ＭＮＩＳＴ上的评测结果［４５］??５??
基于ＣＮＮ的图像搜索技术跟随深度学习兴起在研究上取得了不错的成绩，??超越了传统基于ＳＩＦＴ的图像搜索方法。１．２．１章节中详细论述了基于ＣＮＮ模型??对特征提取的三种方式。下图２－２显示了基于ＳＩＦＴ描述子和基于ＣＮＮ模型提取??特征的图像搜索流程［１２］。??ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｅｎｃｏｄｉｎｇ?ｉｎｄｅｘｉｎｇ?ｒａｎＪｔ?Ｊ??ｔｌａ?ｙｒ＾??ｍｍ?马：：？於’．’－?＾２２??，職?Ｈ?＇?ｖｉｓｕａｌ?ｗｏｒｄ??ＣＮＮ?ｒｔ＾ｅ?ｔｕｎｅｄ＾，??ｅｎｄ－ｔｏ－ｅｎｄ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ａｎｄ?ｅｎｃｏｄｉｎｇ?Ｌ＾」．ｉ．Ｌｉ．ＵＪ??Ｓｉｆ＾－ｃｉｓｓ?’?＾?ｃｏｍｐａｃｔ?ｖｅｃｔｏｒ?ＩｆｉＭｊ??图２－２基于ＳＩＦＴ和基于ＣＮＮ特征提取的图像搜索流程图Ｉ１２】??从上图中可以看到，不管基于传统的ＳＩＦＴ特征描述子进行图像特征提取，??还是釆用基于ＣＮＮ特征的三种模型方法Ｐ１，图像搜索的流程都需要经过四个步??骤：第一步是图像内容特征提取，第二步是对获取的特征进行编码或者池化操作，??第三步是构建索引或者编码成紧凑的向量，最后一步是采用排序算法将图像搜索??结果集排序输出。??卷积神经网络对于图像内容信息的处理主要有两种典型的操作：卷积和池化。??卷积操作通过不同数量的卷积核与图像局部信息进行矩阵计算，能够有效的提取??图像局部信息
自编码器神经网络可以通过隐含层的编码对这样抽象的特征进行无监督的??学习来捕获高效语义特征的表示，接着是解码器的部分，学习从该隐藏层表示的??特征重建输入图像，图２－３是自动编码器的结构表示。??２?Ｉ?．??图２－３编码Ｉｓ网络结构??这里隐藏层表示的维度小于原始输入向量的维度，在这种情况下，网络是欠??完备自动编码器。这种网络的典型应用是图像压缩和图像搜索。设定的损失函数??如公式（２－１）所示：??Ｋｘ．ｇ＾ｉｘ）））?（２－１）??自编码网络通过简单的学习输入和输出这一任务，看起来虽然简单，但是通??过不同的网络结构和参数设置，会得到不同的效果。上面提到的欠完备自动编码??１３??
【参考文献】：
期刊论文
[1]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[2]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[4]一种基于内容的海量图像检索框架的设计与实现[J]. 林文煜,戴青云,曹江中,何小明,李能. 电脑知识与技术. 2016(09)
博士论文
[1]基于量化的近似最近邻搜索技术研究[D]. 张婷.中国科学技术大学 2017
硕士论文
[1]基于内容的图像检索系统的设计与实现[D]. 赵津津.河北科技大学 2019
[2]基于内容的图像检索系统的设计与实现[D]. 陈乾明.南京大学 2018
本文编号：3395508
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１－２近似近邻搜索算法在Ｆａｓｈｉｏｎ－ＭＮＩＳＴ上的评测结果［４５］??５??
基于ＣＮＮ的图像搜索技术跟随深度学习兴起在研究上取得了不错的成绩，??超越了传统基于ＳＩＦＴ的图像搜索方法。１．２．１章节中详细论述了基于ＣＮＮ模型??对特征提取的三种方式。下图２－２显示了基于ＳＩＦＴ描述子和基于ＣＮＮ模型提取??特征的图像搜索流程［１２］。??ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｅｎｃｏｄｉｎｇ?ｉｎｄｅｘｉｎｇ?ｒａｎＪｔ?Ｊ??ｔｌａ?ｙｒ＾??ｍｍ?马：：？於’．’－?＾２２??，職?Ｈ?＇?ｖｉｓｕａｌ?ｗｏｒｄ??ＣＮＮ?ｒｔ＾ｅ?ｔｕｎｅｄ＾，??ｅｎｄ－ｔｏ－ｅｎｄ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ａｎｄ?ｅｎｃｏｄｉｎｇ?Ｌ＾」．ｉ．Ｌｉ．ＵＪ??Ｓｉｆ＾－ｃｉｓｓ?’?＾?ｃｏｍｐａｃｔ?ｖｅｃｔｏｒ?ＩｆｉＭｊ??图２－２基于ＳＩＦＴ和基于ＣＮＮ特征提取的图像搜索流程图Ｉ１２】??从上图中可以看到，不管基于传统的ＳＩＦＴ特征描述子进行图像特征提取，??还是釆用基于ＣＮＮ特征的三种模型方法Ｐ１，图像搜索的流程都需要经过四个步??骤：第一步是图像内容特征提取，第二步是对获取的特征进行编码或者池化操作，??第三步是构建索引或者编码成紧凑的向量，最后一步是采用排序算法将图像搜索??结果集排序输出。??卷积神经网络对于图像内容信息的处理主要有两种典型的操作：卷积和池化。??卷积操作通过不同数量的卷积核与图像局部信息进行矩阵计算，能够有效的提取??图像局部信息
自编码器神经网络可以通过隐含层的编码对这样抽象的特征进行无监督的??学习来捕获高效语义特征的表示，接着是解码器的部分，学习从该隐藏层表示的??特征重建输入图像，图２－３是自动编码器的结构表示。??２?Ｉ?．??图２－３编码Ｉｓ网络结构??这里隐藏层表示的维度小于原始输入向量的维度，在这种情况下，网络是欠??完备自动编码器。这种网络的典型应用是图像压缩和图像搜索。设定的损失函数??如公式（２－１）所示：??Ｋｘ．ｇ＾ｉｘ）））?（２－１）??自编码网络通过简单的学习输入和输出这一任务，看起来虽然简单，但是通??过不同的网络结构和参数设置，会得到不同的效果。上面提到的欠完备自动编码??１３??
【参考文献】：
期刊论文
[1]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[2]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[4]一种基于内容的海量图像检索框架的设计与实现[J]. 林文煜,戴青云,曹江中,何小明,李能. 电脑知识与技术. 2016(09)
博士论文
[1]基于量化的近似最近邻搜索技术研究[D]. 张婷.中国科学技术大学 2017
硕士论文
[1]基于内容的图像检索系统的设计与实现[D]. 赵津津.河北科技大学 2019
[2]基于内容的图像检索系统的设计与实现[D]. 陈乾明.南京大学 2018
本文编号：3395508
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3395508.html
