深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的圖像特征表示具有明顯的層次結(jié)構(gòu).隨著層數(shù)加深,學(xué)習(xí)的特征逐漸抽象,類(lèi)的判別性也逐漸增強(qiáng).基于此特點(diǎn),文中提出面向圖像檢索的深度漢明嵌入哈希編碼方式.在深度卷積神經(jīng)網(wǎng)絡(luò)的末端插入一層隱藏層,依據(jù)每個(gè)單元的激活情況獲得圖像的哈希編碼.同時(shí)根據(jù)哈希編碼本身的特征提出漢明嵌入損失,更好地保留原數(shù)據(jù)之間的相似性.在CIFAR-10、NUS-WIDE基準(zhǔn)圖像數(shù)據(jù)集上的實(shí)驗(yàn)表明,文中方法可以提升圖像檢索性能,較好改善短編碼下的檢索性能.

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1DHEH模型架構(gòu)

圖1給出DHEH的模型架構(gòu).它是一個(gè)端到端的深度哈希學(xué)習(xí)框架,由一個(gè)基于CNN的圖像分類(lèi)模塊及一個(gè)漢明嵌入模塊構(gòu)成.前者用于圖像表示學(xué)習(xí),后者用于控制哈希編碼之間的相似性保留.DHEH采用AlexNet深度架構(gòu)[16]作為它的深度卷積神經(jīng)網(wǎng)絡(luò)部分.深度網(wǎng)絡(luò)共包含5個(gè)卷積層、2個(gè)全....

圖2DHEH在2個(gè)數(shù)據(jù)集上的平均精確率均值

由圖2和圖3可見(jiàn),同時(shí)進(jìn)行漢明嵌入學(xué)習(xí)的模型在2個(gè)數(shù)據(jù)集上不同編碼長(zhǎng)度下的性能均優(yōu)于僅進(jìn)行圖像表示學(xué)習(xí)的模型,這體現(xiàn)漢明嵌入學(xué)習(xí)的重要性.圖3DHEH在2個(gè)數(shù)據(jù)集上的precision@5k

圖3DHEH在2個(gè)數(shù)據(jù)集上的precision@5k

圖2DHEH在2個(gè)數(shù)據(jù)集上的平均精確率均值圖4為DHEH在規(guī)模較大的NUS-WIDE數(shù)據(jù)集上短編碼(12bit)與長(zhǎng)編碼(48bit)時(shí)的precision-recall曲線(xiàn).

圖4DHEH在不同編碼長(zhǎng)度下的precision-recall曲線(xiàn)

實(shí)驗(yàn)表明,同時(shí)進(jìn)行漢明嵌入學(xué)習(xí)的模型能更好地控制相似性信息的保留,進(jìn)一步驗(yàn)證漢明嵌入損失的有效性.3結(jié)束語(yǔ)

本文編號(hào)：3981644