基于三元组的深度视频哈希方法研究
发布时间：2021-04-11 11:41
近年来随着互联网和通信技术的飞速发展,用户上传、下载互联网中的视频数据变得越来越便利。这不仅导致了互联网中的视频数据的急剧增长,也给视频数据的处理和存储带来了极大的挑战。如何在海量视频数据中精准的查找用户所需的视频内容,成为了近年来多媒体领域需要迫切解决的关键问题之一。哈希学习可以将复杂的原始数据映射成极短的哈希码,并在哈希码中保持原始数据间的相似性,通过哈希码在数据库中进行检索,既可以大幅度提高检索速度,又可以有效减少对存储空间的需求。因此,基于哈希学习实现图像和视频的检索,是近年来的一个研究热点。目前,哈希学习方法在图像检索中已有较多研究,取得了较大的进展,但在视频检索中的研究工作还比较有限,主要体现在哈希学习中对视频的时空特征编码不足,标签信息嵌入能力不强,且计算复杂度较高,这导致检索哈希检索性能与应用需求还有较大的差距。因此,本人选择基于哈希学习的视频检索作为研究课题,以进一步提升视频检索的性能。本论文研究了一种基于三元组的深度视频哈希检索方法,并对所提方法的性能进行了实验验证。主要研究工作概括如下:（1）基于卷积神经网络和长短时记忆网络,提出了一种端到端的有监督视频哈希编码网...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图２－１?ＶＧＧ网络结构??经最后一层池化后的特征图大小为７＊７，输出特征张量的维度为７＊７＊５１２
??环神经网络与传统的全连接神经网络相比，其主要区别在于传统的神经网络通常??由输入到隐藏层再到输出，层与层之间为全连接的关系，而循环神经网络的每层??网络输出除了与当前的输入有关，也与之前序列的输出有关。这使得网络的隐藏??层并非独立于每一层网络中，而是互相连接贯穿整个输入序列，这种结构有利于??保存先前输入的序列信息。得益于循环输入的结构，循环神经网络非常适合序列??信息的处理，在自然语言处理与视频的相关场景中应用广泛。从理论上来讲，循??环神经网络可以处理任意长度的序列数据。图２－２是一个循环神经网络的结构示??意图，公式（２．１）（２．２）表示了该循环神经网络的前向传播过程。??６?°．￣１?°ｔ?°Ｍ??▲?Ａ?Ａ?ｎ??ｖ?ｖ?ｖ?ｖ??个ｗ个ｗ个ｗ??Ｖ?ｕ?ｕ?ｕ??Ｘ?ｘ，－ｌ?Ｘｔ??图２－２循环神经网络的结构图??１０??
?山东大学硕士学位论文???Ｓｔ＝ｆ（Ｕ－Ｘｔ?＋?Ｗ－?５ｔ＿ｉ）?（２．１）??０ｔ?＝?ｇ（Ｖ－Ｓｔ）?（２．２）??上式中Ｓ为隐藏层状态，ｘ为每一层网络的输入，〇为输出，ｔ／、Ｖ、Ｗ为权重??矩阵，／（？）与扒？）为激活函数。??然而如图２－２所示的循环神经网络在实际应用中存在一些问题，如随着序列??的逐渐加深，序列先前部分的信息会随着网络传播逐渐减小，且越靠近初始部分，??信息损失就越大。此外，在网络的反向传播更新参数的过程中，隐藏层参数的连??乘会导致梯度消失从而导致无法更新参数的问题。基于这些问题，Ｈｏｃｈｒｅｉｔｅｒ和??ＳｃｈｍｉｄｈｕｂｅｒｆＭ等人提出了一种循环神经网络的变体，长短时记忆网络（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）?０??？?？?？??＾?ｔ?／?ｔ?／?ｔ??－？?—？－―?－？?－１關—?—？?－？??ａ?＾Ｉ３ＺＣ?Ａ?．??Ｌ?）?ｖｊ??Ｊ?ｖ，?ｊ??Ｉ?Ｉ?１??＠?（ｘＴ）?Ｑ??图２－３长短时记忆网络示意图??图２－３为长短时记忆网络的示意图。长短时记忆网络与传统循环神经网络的??主要区别在于细胞状态的加入。细胞状态是编码整个序列所有信息的一条信息??流，细胞状态通过遗忘门和输入门进行状态更新。每当由新的序列信息输入时，??遗忘门会计算之前的细胞状态中有哪些信息需要丢弃，有哪些信息需要保留，同??时输入门根据之前的输出和新的输入，计算哪些信息需要输入细胞状态，随后细??胞状态根据遗忘门和输入门的结果进行更新。输出门决定了细胞状态中的哪些信??息输出，将更新后的细胞状态中的信息输出并传递至下一时间步。下式（２
本文编号：3131190
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图２－１?ＶＧＧ网络结构??经最后一层池化后的特征图大小为７＊７，输出特征张量的维度为７＊７＊５１２
??环神经网络与传统的全连接神经网络相比，其主要区别在于传统的神经网络通常??由输入到隐藏层再到输出，层与层之间为全连接的关系，而循环神经网络的每层??网络输出除了与当前的输入有关，也与之前序列的输出有关。这使得网络的隐藏??层并非独立于每一层网络中，而是互相连接贯穿整个输入序列，这种结构有利于??保存先前输入的序列信息。得益于循环输入的结构，循环神经网络非常适合序列??信息的处理，在自然语言处理与视频的相关场景中应用广泛。从理论上来讲，循??环神经网络可以处理任意长度的序列数据。图２－２是一个循环神经网络的结构示??意图，公式（２．１）（２．２）表示了该循环神经网络的前向传播过程。??６?°．￣１?°ｔ?°Ｍ??▲?Ａ?Ａ?ｎ??ｖ?ｖ?ｖ?ｖ??个ｗ个ｗ个ｗ??Ｖ?ｕ?ｕ?ｕ??Ｘ?ｘ，－ｌ?Ｘｔ??图２－２循环神经网络的结构图??１０??
?山东大学硕士学位论文???Ｓｔ＝ｆ（Ｕ－Ｘｔ?＋?Ｗ－?５ｔ＿ｉ）?（２．１）??０ｔ?＝?ｇ（Ｖ－Ｓｔ）?（２．２）??上式中Ｓ为隐藏层状态，ｘ为每一层网络的输入，〇为输出，ｔ／、Ｖ、Ｗ为权重??矩阵，／（？）与扒？）为激活函数。??然而如图２－２所示的循环神经网络在实际应用中存在一些问题，如随着序列??的逐渐加深，序列先前部分的信息会随着网络传播逐渐减小，且越靠近初始部分，??信息损失就越大。此外，在网络的反向传播更新参数的过程中，隐藏层参数的连??乘会导致梯度消失从而导致无法更新参数的问题。基于这些问题，Ｈｏｃｈｒｅｉｔｅｒ和??ＳｃｈｍｉｄｈｕｂｅｒｆＭ等人提出了一种循环神经网络的变体，长短时记忆网络（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）?０??？?？?？??＾?ｔ?／?ｔ?／?ｔ??－？?—？－―?－？?－１關—?—？?－？??ａ?＾Ｉ３ＺＣ?Ａ?．??Ｌ?）?ｖｊ??Ｊ?ｖ，?ｊ??Ｉ?Ｉ?１??＠?（ｘＴ）?Ｑ??图２－３长短时记忆网络示意图??图２－３为长短时记忆网络的示意图。长短时记忆网络与传统循环神经网络的??主要区别在于细胞状态的加入。细胞状态是编码整个序列所有信息的一条信息??流，细胞状态通过遗忘门和输入门进行状态更新。每当由新的序列信息输入时，??遗忘门会计算之前的细胞状态中有哪些信息需要丢弃，有哪些信息需要保留，同??时输入门根据之前的输出和新的输入，计算哪些信息需要输入细胞状态，随后细??胞状态根据遗忘门和输入门的结果进行更新。输出门决定了细胞状态中的哪些信??息输出，将更新后的细胞状态中的信息输出并传递至下一时间步。下式（２
本文编号：3131190
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3131190.html
