本文選題：圖像檢索 + 深度卷積神徑網(wǎng)絡　； 參考：《電子與信息學報》2016年08期

【摘要】：隨著圖像數(shù)據(jù)的迅猛增長,當前主流的圖像檢索方法采用的視覺特征編碼步驟固定,缺少學習能力,導致其圖像表達能力不強,而且視覺特征維數(shù)較高,嚴重制約了其圖像檢索性能。針對這些問題,該文提出一種基于深度卷積神徑網(wǎng)絡學習二進制哈希編碼的方法,用于大規(guī)模的圖像檢索。該文的基本思想是在深度學習框架中增加一個哈希層,同時學習圖像特征和哈希函數(shù),且哈希函數(shù)滿足獨立性和量化誤差最小的約束。首先,利用卷積神經(jīng)網(wǎng)絡強大的學習能力挖掘訓練圖像的內(nèi)在隱含關系,提取圖像深層特征,增強圖像特征的區(qū)分性和表達能力。然后,將圖像特征輸入到哈希層,學習哈希函數(shù)使得哈希層輸出的二進制哈希碼分類誤差和量化誤差最小,且滿足獨立性約束。最后,給定輸入圖像通過該框架的哈希層得到相應的哈希碼,從而可以在低維漢明空間中完成對大規(guī)模圖像數(shù)據(jù)的有效檢索。在3個常用數(shù)據(jù)集上的實驗結果表明,利用所提方法得到哈希碼,其圖像檢索性能優(yōu)于當前主流方法。
[Abstract]:With the rapid growth of image data, the current mainstream image retrieval methods adopt fixed coding steps of visual features, lack of learning ability, resulting in poor ability of image expression and high dimension of visual features. The performance of image retrieval is seriously restricted. In order to solve these problems, this paper proposes a new method for learning binary hash coding based on deep convolutional shrink-path network, which can be used in large-scale image retrieval. The basic idea of this paper is to add a hash layer to the depth learning framework and to study image features and hash functions at the same time, and the hash functions satisfy the constraints of independence and minimum quantization error. Firstly, using the powerful learning ability of the convolution neural network to mine the implicit relation of the training image, extract the deep feature of the image, and enhance the distinguishing and expressing ability of the image feature. Then, the feature of the image is input to the hash layer, learning the hash function to minimize the classification error and quantization error of the binary hash code output from the hash layer, and satisfy the independence constraint. Finally, a given input image is obtained by the hash layer of the frame, so that the large scale image data can be effectively retrieved in low-dimensional hamming space. The experimental results on three common data sets show that the proposed method is superior to the current mainstream method in image retrieval performance.
【作者單位】： 河南工程學院計算機學院;河南圖像識別工程技術中心;
【基金】：國家自然科學基金(61301232)~~
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 韓法旺;;基于云計算模式的圖像檢索研究[J];情報科學;2011年10期

2 何巖;;以計算機為基礎的色彩圖像檢索方法與研究[J];計算機光盤軟件與應用;2013年12期

3 郭海鳳;李廣水;仇彬任;;基于融合多特征的社會網(wǎng)上圖像檢索方法[J];計算機與現(xiàn)代化;2013年12期

4 柏正堯,周紀勤;基于復數(shù)矩不變性的圖像檢索方法研究[J];計算機應用;2000年10期

5 夏峰,張文龍;一種圖像檢索的新方法[J];計算機應用研究;2002年11期

6 鄧誠強,馮剛;基于內(nèi)容的多特征綜合圖像檢索[J];計算機應用;2003年07期

7 斯白露,高文,盧漢清,曾煒,段立娟;基于感興趣區(qū)域的圖像檢索方法[J];高技術通訊;2003年05期

8 劉怡,于沛;基于“知網(wǎng)”的新聞圖像檢索方法[J];河南師范大學學報(自然科學版);2003年02期

9 張榮,鄭浩然,李金龍,王煦法;進化加速技術在圖像檢索中的應用[J];計算機工程與應用;2004年16期

10 黃德才,胡嘉,鄭月鋒;交互式圖像檢索中相關反饋進展研究[J];計算機應用研究;2005年09期

相關會議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

2 周向東;張亮;張琪;劉莉;殷慷;施伯樂;;一種新的圖像檢索相關反饋方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

3 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語義圖像檢索方法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

4 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

5 許相莉;張利彪;于哲舟;周春光;;基于商空間粒度計算的圖像檢索[A];第八屆全國信息隱藏與多媒體安全學術大會湖南省計算機學會第十一屆學術年會論文集[C];2009年

6 李凌偉;周榮貴;劉怡;;基于概念的圖像檢索方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2002年

7 楊關良;李忠杰;徐小杰;;基于代表色的圖像檢索方法研究[A];首屆信息獲取與處理學術會議論文集[C];2003年

8 彭瑜;喬奇峰;魏昆娟;;基于多示例學習的圖像檢索方法[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

9 胡敬;武港山;;基于語義特征的風景圖像檢索[A];2009年研究生學術交流會通信與信息技術論文集[C];2009年

10 許天兵;;一種基于語義分類的圖像檢索方法[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術研討會（CVR’2001）論文集[C];2001年

相關博士學位論文 前10條

1 崔超然;圖像檢索中自動標注、標簽處理和重排序問題的研究[D];山東大學;2015年

2 楊迪;基于內(nèi)容的分布式圖像檢索[D];北京郵電大學;2015年

3 張旭;網(wǎng)絡圖像檢索關鍵技術研究[D];西安電子科技大學;2014年

4 吳夢麟;基于半監(jiān)督學習的醫(yī)學圖像檢索研究[D];南京理工大學;2015年

5 汪友寶;基于多分辨率和顯著特征的圖像檢索方法研究[D];上海大學;2015年

6 張運超;面向海量圖像檢索的視覺編碼方法分析與優(yōu)化[D];北京理工大學;2015年

7 高毫林;基于哈希技術的圖像檢索研究[D];解放軍信息工程大學;2014年

8 李清亮;圖像檢索中判別性增強研究[D];吉林大學;2016年

9 李展;基于多示例學習的圖像檢索與推薦相關算法研究[D];西北大學;2012年

10 郭麗;基于內(nèi)容的商標圖像檢索研究[D];南京理工大學;2003年

相關碩士學位論文 前10條

1 趙鴻;基于尺度不變局部特征的圖像檢索研究[D];華南理工大學;2015年

2 孫劍飛;基于圖像索引的熱點話題檢索方法研究[D];蘭州大學;2015年

3 章進洲;圖像檢索中的用戶意圖分析[D];南京理工大學;2015年

4 苗思楊;移動圖像檢索中的漸進式傳輸方式研究[D];大連海事大學;2015年

5 都業(yè)剛;基于顯著性的移動圖像檢索[D];大連海事大學;2015年

6 王夢蕾;基于用戶反饋和改進詞袋模型的圖像檢索[D];南京理工大學;2015年

7 許鵬飛;基于草圖的海量圖像檢索方法研究[D];浙江大學;2015年

8 馮進麗;基于BoF的圖像檢索與行為識別研究[D];山西大學;2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學圖像檢索[D];北京理工大學;2015年

10 蔣國寶;基于內(nèi)容的概念建模和圖像檢索重排序[D];復旦大學;2014年

，

本文編號：1905463