發(fā)布時(shí)間：2023-02-11 09:16

　　隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,人們需要從海量的圖像中搜索感興趣信息,因而,基于哈希的大規(guī)模圖像搜索技術(shù)得到廣泛的應(yīng)用,哈希算法的實(shí)質(zhì)是把圖像的特征空間映射到漢明空間,并且保留語(yǔ)義和距離的相似性,這樣對(duì)圖片的搜索可以轉(zhuǎn)換成對(duì)圖像哈希碼漢明距離的計(jì)算,大大提高了搜索和存儲(chǔ)的效率,近年來(lái),隨著卷積神經(jīng)網(wǎng)絡(luò)在圖片分類中的成功應(yīng)用,利用深度神經(jīng)網(wǎng)絡(luò)提取圖像特征,并進(jìn)行端對(duì)端優(yōu)化的深度哈希技術(shù)得到了發(fā)展,相對(duì)于手工提取特征的傳統(tǒng)哈希方法有明顯的優(yōu)勢(shì)。本文研究了基于深度哈希的圖像示例定位和搜索方法,首先,利用基于深度卷積特征融合算法對(duì)圖像提取特征,并利用特征梯度法對(duì)圖像中示例所在區(qū)域進(jìn)行定位。在此基礎(chǔ)上,提出基于深度哈希的圖像示例搜索算法,通過(guò)引入1×1卷積核和目標(biāo)函數(shù)的優(yōu)化,對(duì)圖像中的示例進(jìn)行哈希編碼,對(duì)圖像進(jìn)行更細(xì)粒度的基于特定示例的搜索,提高了圖像搜索的語(yǔ)義準(zhǔn)確度。最后,在CIFAR-10、VOC2012和MSRCv2數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文提出的基于深度哈希的圖像示例搜索在搜索精度方面相對(duì)于傳統(tǒng)的搜索算法有較大的提高。

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 課題背景及研究意義
    1.2 基于深度哈希的圖片搜索的研究現(xiàn)狀
    1.3 本文工作
    1.4 本文文章結(jié)構(gòu)
第二章 基于深度哈希的圖片搜索技術(shù)介紹
    2.1 深度卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 基本結(jié)構(gòu)
        2.1.2 殘差網(wǎng)絡(luò)模型分析
    2.2 圖像示例檢測(cè)和定位技術(shù)
    2.3 深度哈希圖像搜索技術(shù)
    2.4 本章小結(jié)
第三章 基于深度卷積特征融合的圖像示例定位算法
    3.1 算法框架流程
    3.2 算法描述
        3.2.1 預(yù)訓(xùn)練模型生成特征圖
        3.2.2 特征梯度圖法恢復(fù)圖像分辨率
        3.2.3 特征梯度圖融合
    3.3 實(shí)驗(yàn)分析
        3.3.1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)
        3.3.2 結(jié)果展示
    3.4 本章小結(jié)
第四章 基于深度哈希的示例搜索算法
    4.1 算法框架流程
    4.2 算法實(shí)現(xiàn)細(xì)節(jié)
        4.2.1 1 *1 卷積核的引入
        4.2.2 目標(biāo)函數(shù)及優(yōu)化
    4.3 實(shí)驗(yàn)分析
        4.3.1 選用的數(shù)據(jù)集介紹
        4.3.2 對(duì)比的哈希算法
        4.3.3 評(píng)價(jià)指標(biāo)
        4.3.4 實(shí)驗(yàn)性能對(duì)比
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄2 攻讀碩士學(xué)位期間撰寫的論文
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3740115