隨著大數(shù)據(jù)時(shí)代的到來,圖像和視頻數(shù)據(jù)的爆炸式增長對視覺目標(biāo)對象的高效查詢與檢索帶來前所未有的挑戰(zhàn),亟需高效魯棒的特征表示與檢索方法,因此面向大規(guī)模視頻圖像的高效檢索是計(jì)算機(jī)視覺領(lǐng)域的需要解決的重要問題之一。實(shí)現(xiàn)高效魯棒的大規(guī)模圖像檢索的關(guān)鍵是如何進(jìn)行高效魯棒的緊湊特征提取,因此本文的工作主要集中在以下兩個(gè)方面:(1)如何讓后端的緊湊特征學(xué)習(xí)與前端的目標(biāo)檢測進(jìn)行聯(lián)合優(yōu)化從而實(shí)現(xiàn)高效特征抽取,(2)如何設(shè)計(jì)更魯棒的相似度度量和量化方法,提升緊湊特征的判別力和魯棒性。(1)傳統(tǒng)緊湊特征提取方法通常假定目標(biāo)的檢測結(jié)果已經(jīng)預(yù)先給定而只關(guān)注特征抽取建模,然而在智能視頻監(jiān)控等實(shí)際應(yīng)用中,往往無法假定圖像中感興趣目標(biāo)的位置信息是已知的。最終目標(biāo)檢索的性能,不但依賴于緊湊特征學(xué)習(xí)還同時(shí)依賴于前段目標(biāo)檢測的模塊。面向大規(guī)模紋身檢索這一問題,本文提出了基于多任務(wù)的檢測與緊湊特征聯(lián)合學(xué)習(xí)方法。充分考慮目標(biāo)檢測和特征學(xué)習(xí)兩個(gè)任務(wù)之間的相關(guān)性,使目標(biāo)檢測和特征學(xué)習(xí)進(jìn)行有效的特征共享,并相互促進(jìn)。最終,利用一個(gè)端到端學(xué)習(xí)模型即可同時(shí)實(shí)現(xiàn)紋身檢測和紋身緊湊特征學(xué)習(xí)的聯(lián)合優(yōu)化。(2)針對如何設(shè)計(jì)更好的相似度度量和減少量...

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１三維局部敏感哈希示意圖??

?面向高效圖像檢索的深度哈希學(xué)習(xí)研究???位于同一個(gè)桶中，因此在高維空間中比較接近的特征點(diǎn)在漢明空間中也較為接??近。如圖１．１所示該方法就是隨機(jī)劃分ｎ個(gè)平面，高維空間的特征點(diǎn)和每一個(gè)平??面都有一個(gè)對應(yīng)關(guān)系，這種關(guān)系可以表示為〇和１兩種編碼，那么一共就可以產(chǎn)??生２ｎ個(gè)編碼。?....

圖１．５文獻(xiàn)［４］采用的學(xué)習(xí)策略??

?第１章緒論???國園?Ｐｉ?Ｉ?＋１ｔ￣ｌＭ?？??ａＨ§?§?—２?？＇／?２；??＇ｓ＾Ｊ???１＾１???／〇Ｊ５?ｓｉｍｉｌａｒｉｔｙ?／??ｉｎｐｕｔ?ＣＮＮｓ?ｆｃｈ?ｓｇｎ?ｌａｂｅｌ?．ｉ｜，??圖１．５文獻(xiàn)［４］采用的學(xué)習(xí)策略??Ｆｉｇｕｒｅ?１．５?Ｌｅａｒ....

圖１．６文獻(xiàn)丨５］模塑結(jié)構(gòu)圖??．

?第１章緒論???國園?Ｐｉ?Ｉ?＋１ｔ￣ｌＭ?？??ａＨ§?§?—２?？＇／?２；??＇ｓ＾Ｊ???１＾１???／〇Ｊ５?ｓｉｍｉｌａｒｉｔｙ?／??ｉｎｐｕｔ?ＣＮＮｓ?ｆｃｈ?ｓｇｎ?ｌａｂｅｌ?．ｉ｜，??圖１．５文獻(xiàn)［４］采用的學(xué)習(xí)策略??Ｆｉｇｕｒｅ?１．５?Ｌｅａｒ....

圖２．１文獻(xiàn)［７］中深度神經(jīng)網(wǎng)絡(luò)中的硬參數(shù)共享??

?面向高效圖像檢索的深度哈希學(xué)習(xí)研究???，Ｔ３ｓｋ?Ａ?Ｔ３．ｓｋ?Ｂ?ｊＴｓｓｋ?０｜?Ｔａｓｋ－??ｔ?１—?ｆ?￣?ｓｐｅｃｉｆｉｃ??ｌａｙｅｒｓ??｜?Ｓｈａｒｅｄ????ｌａｙｅｒｓ??圖２．１文獻(xiàn)［７］中深度神經(jīng)網(wǎng)絡(luò)中的硬參數(shù)共享??Ｆｉｇｕｒｅ?２．１?Ｈａｒｄ....

本文編號(hào)：3927188