基于深度学习和哈希的图像检索的方法研究
发布时间：2023-03-18 14:03
随着互联网的迅猛发展,用户每天在网上产生的图片数据以PB级的速度快速增长。面对这么多的数据,用户对于图片的检索需求也在增大。特别是在某些电商平台,当用户发现某个自己感兴趣的物品,但是用户又不知道商品的名字,这个时候用户只能通过商品图片来搜索物品。然而由于是在海量的图片数据库里面查找,这就要求搜索的算法要非常快和精确。现在广泛应用在图片检索领域的是哈希算法,它的本质是将图片的特征转化为低维的二进制码,仅通过异或运算来实现图片之间的相似度计算,这样就能保证在计算图片之间相似度时候的高效。在视频检索领域,实例搜索是非常重要应用。例如,在某些刑侦领域,如果要在海量的视频数据中找出嫌疑人出现过的帧,对于刑侦工作人员来讲无疑是大海捞针,但是如果有某种算法能够根据嫌疑人的体貌特征就能快速检索出嫌疑人出现过的帧,对于提高相关人员的办案效率无疑会有巨大的帮助。早在20世纪60年代,基于文本的图像检索算法就已经被广泛应用到我们生活。比如早期的搜索引擎,那个时候需要很多用户来对图片数据标注标签,而且大多还要提供一段描述。最后再对这些文本数据进行分词,做成倒排索引进行存储,当时这些算法都取得了很好的效果。但是...
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 哈希方法的国内外研究历史与现状
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 基于深度区域哈希的实例搜索
2.1 深度区域哈希算法
2.1.1 图片特征描述
2.1.2 生成物体候选区域算法
2.1.2.1 滑动窗口
2.1.2.2 候选区域网络(RPN)
2.2 网络参数学习
2.2.1 目标函数
2.2.2 网络训练
2.3 检索算法
2.3.1 全局哈希搜索
2.3.2 局部哈希搜索
2.3.3 扩展查询
2.4 实验总结
2.4.1 实验数据集
2.4.2 评价标准
2.4.3 实验结果分析
2.4.3.1 哈希码长度对实验结果的影响
2.4.3.2 生成候选区域方法对实验的影响
2.4.3.3 扩展查询对实验室结果的影响
2.4.3.4 与最新方法的实验结果对比
2.4.3.5 搜索时间的对比
2.5 本章小结
第三章 自监督学习的深度离散哈希
3.1 深度学习和哈希的发展
3.1.1 多层感知机网络
3.1.2 深度卷积网络
3.1.3 Siamese网络
3.1.4 深度学习在哈希中的应用
3.2 自监督的哈希学习
3.2.1 基于图模型的最近邻构造
3.2.2 网络结构
3.2.3 目标函数
3.2.4 网络参数学习
3.2.5 样本外的哈希生成
3.3 实验及分析
3.3.1 实验数据集
3.3.2 图片检索实验结果
3.3.3 图片识别实验结果
3.4 总结以及未来工作
第四章 对抗网络中的哈希算法
4.1 自编码网络和对抗网络的发展
4.1.1 自编码(AutoEncoder)
4.1.2 变分推断网络
4.1.3 对抗网络
4.1.4 变分推断对抗网络
4.2 对抗网络在哈希中的应用
4.2.1 网络结构
4.2.1.1 编码网络
4.2.1.2 哈希网络
4.2.1.3 对抗网络
4.2.2 目标函数
4.2.2.1 最近邻损失
4.2.2.2 重构损失
4.2.2.3 对抗网络损失
4.3 参数学习
4.4 实验和结果分析
4.4.1 实验数据集
4.4.2 评价标准
4.4.3 对比算法
4.4.4 网络模板分析
4.4.5 哈希优化方法分析
4.4.6 和最新方法对比结果
4.4.7 网络训练时间对比
4.4.8 图片重构结果
4.5 结论和未来工作
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻硕期间取得的研究成果
本文编号：3763271
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 哈希方法的国内外研究历史与现状
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 基于深度区域哈希的实例搜索
2.1 深度区域哈希算法
2.1.1 图片特征描述
2.1.2 生成物体候选区域算法
2.1.2.1 滑动窗口
2.1.2.2 候选区域网络(RPN)
2.2 网络参数学习
2.2.1 目标函数
2.2.2 网络训练
2.3 检索算法
2.3.1 全局哈希搜索
2.3.2 局部哈希搜索
2.3.3 扩展查询
2.4 实验总结
2.4.1 实验数据集
2.4.2 评价标准
2.4.3 实验结果分析
2.4.3.1 哈希码长度对实验结果的影响
2.4.3.2 生成候选区域方法对实验的影响
2.4.3.3 扩展查询对实验室结果的影响
2.4.3.4 与最新方法的实验结果对比
2.4.3.5 搜索时间的对比
2.5 本章小结
第三章 自监督学习的深度离散哈希
3.1 深度学习和哈希的发展
3.1.1 多层感知机网络
3.1.2 深度卷积网络
3.1.3 Siamese网络
3.1.4 深度学习在哈希中的应用
3.2 自监督的哈希学习
3.2.1 基于图模型的最近邻构造
3.2.2 网络结构
3.2.3 目标函数
3.2.4 网络参数学习
3.2.5 样本外的哈希生成
3.3 实验及分析
3.3.1 实验数据集
3.3.2 图片检索实验结果
3.3.3 图片识别实验结果
3.4 总结以及未来工作
第四章 对抗网络中的哈希算法
4.1 自编码网络和对抗网络的发展
4.1.1 自编码(AutoEncoder)
4.1.2 变分推断网络
4.1.3 对抗网络
4.1.4 变分推断对抗网络
4.2 对抗网络在哈希中的应用
4.2.1 网络结构
4.2.1.1 编码网络
4.2.1.2 哈希网络
4.2.1.3 对抗网络
4.2.2 目标函数
4.2.2.1 最近邻损失
4.2.2.2 重构损失
4.2.2.3 对抗网络损失
4.3 参数学习
4.4 实验和结果分析
4.4.1 实验数据集
4.4.2 评价标准
4.4.3 对比算法
4.4.4 网络模板分析
4.4.5 哈希优化方法分析
4.4.6 和最新方法对比结果
4.4.7 网络训练时间对比
4.4.8 图片重构结果
4.5 结论和未来工作
第五章 全文总结与展望
5.1 全文总结
5.2 后续工作展望
致谢
参考文献
攻硕期间取得的研究成果
本文编号：3763271
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3763271.html
