基于深度哈希的移动视觉搜索方法

发布时间：2023-10-04 03:37

　　频等视觉数据呈现爆发式的增长。移动随着移动互联网技术的快速发展、移动设备的广泛普及,互联网中的图片、视视觉搜索(Mobile Visual Search,MVS)方法以图像、视频、3D模型、地图等视觉数据作为检索对象,利用移动智能终端设备采集和获取关联信息,能够在海量视觉内容中为用户提供有效的视觉信息检索方法,成为信息检索领域研究中的重要课题。然而,由于移动视觉搜索场景的移动性和泛在化的特点,相关研究存在诸多挑战:移动场景下图像数据极易受到外部环境的干扰,由此产生的图像噪声使得系统难以准确提取到图像中的语义信息内容,降低了移动视觉搜索的效率;此外,移动设备通常受到计算能力、存储空间和网络传输的限制,在这些限制条件下,传统的基于内容的图像搜索方法难以满足用户快速检索的需求。近年来,深度学习方法在计算机视觉领域得到广泛研究和应用,通过神经网络的逐层抽象和迭代,模型能够学习到图像深层语义信息,能够有效解决由于图像底层特征与高层语义之间的差距而产生的“语义鸿沟”问题;哈希方法旨在通过哈希映射将高维数据转换成低维度的表示形式,能够使图像特征序列更为紧凑,并且具备低存储需求、低计算成本、低传输成本...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究目的与意义
    1.2 国内外研究现状
        1.2.1 MVS研究现状
        1.2.2 图像语义特征的提取与表示
        1.2.3 深度学习在计算机视觉中的研究与应用
        1.2.4 深度哈希算法研究现状
    1.3 主要研究内容和创新点
第二章 深度哈希与移动视觉搜索理论基础
    2.1 深度卷积神经网络原理
        2.1.1 卷积神经网络模型
        2.1.2 激活函数
        2.1.3 正则化方法
        2.1.4 损失函数
        2.1.5 基于梯度下降的模型训练方法
        2.1.6 学习率
    2.2 基于LSH的哈希算法
        2.2.1 基于比特抽样的LSH
        2.2.2 基于随机投影的LSH
        2.2.3 基于P稳定分布的LSH
    2.3 距离度量基础
    2.4 图像检索评估指标
第三章 基于深度哈希的图像语义特征提取模型
    3.1 构建基于深度哈希的图像语义特征提取模型
        3.1.1 卷积层
        3.1.2 全连接层
        3.1.3 哈希层
        3.1.4 输出层
    3.2 模型预训练和参数初始化
    3.3 构建模型损失函数
    3.4 基于小批量梯度下降的模型训练
第四章 基于深度哈希的移动视觉搜索流程
    4.1 图像数据预处理方法
    4.2 图像匹配检索过程
    4.3 基于深度哈希的移动视觉搜索流程评估指标
第五章 实验方法及结果分析
    5.1 实验数据集
    5.2 实验环境搭建
    5.3 实验方法和结果分析
        5.3.1 模型训练效果
        5.3.2 模型超参数对模型训练的影响
        5.3.3 移动视觉搜索效率评估
第六章 总结与展望
    6.1 总结
    6.2 未来研究方向
参考文献
附录
攻读硕士学位期间发表的论文
致谢



本文编号：3851235