基于深度学习和哈希编码的图像检索
发布时间：2022-12-17 10:10
基于内容的图像检索在视觉领域受到广泛关注。检索主要分为两个步骤,先提取图像的特征,然后在数据库中查找与目标图像特征近似的图片。其中最为重要的一步便是图像的特征提取。随着图片数据量越来越大,我们希望用于检索的图像特征可以包含足够信息,即能够是具有语义信息的特征,其次希望特征维度低,从而可以降低特征的存储成本,最后希望特征足够简单,从而可以加快检索速度。近些年,基于深度学习的深度卷积网络在计算机视觉领域取得了巨大的成就,卷积神经网络提取的特征能够很好的表达一张图片的内容,并且卷积网络同时可提取图像的低级局部特征和高级语义特征。越来越多的基于深度学习的图像检索算法被提出。本文基于对图像检索的特征特点思考,因此进行如下几部分的研究工作:1.针对丰富特征内容,研究了基于深度卷积神经网络特征融合的图像检索算法。首先,对卷积层各层特征以及不同尺度卷积核提取的特征进行可视化,分析其不同的特点。然后进行了两种特征融合的方法研究:（1）基于不同层的特征融合算法。（2）基于不同尺度卷积核提取的特征融合算法。2.针对降低特征维度和复杂度,研究了基于深度随机VLAD的哈希检索算法（RV-SSDH）。首先,利用经...
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1绪论
1.1 图像检索的背景与意义
1.2 国内外研究现状
1.2.1 图像检索的研究
1.2.2 深度学习的研究
1.3 本文的主要研究内容
1.4 本文的组织结构
2 图像检索与深度学习的相关知识
2.1 图像常见特征
2.1.1 图像颜色特征
2.1.2 图像纹理特征
2.1.3 图像形状特征
2.1.4 图像深度特征
2.2 相似度判别方法
2.3 深度学习基础知识
2.3.1 深度学习概述
2.3.2 基于深度学习的图像特征学习模型
2.3.3 深度卷积神经网络的基本组成
2.3.4 反向传播算法
2.3.5 几个经典深度卷积神经网络
2.4 本章小结
3 基于深度CNN的特征融合算法研究
3.1 卷积层特征可视化
3.1.1 不同层特征
3.1.2 基于不同尺度卷积核的特征
3.2 特征融合算法
3.2.1 多层卷积特征融合(Multi-layers feature fusion,MLFF)
3.2.2 多尺度卷积核特征融合(Multi-scales feature fusion,MSFF)
3.3 实验结果和分析
3.3.1 数据集以及实验环境介绍
3.3.2 评价指标
3.3.3 实验结果分析
3.4 本章小结
4 基于深度随机VLAD的哈希算法
4.1 哈希算法
4.1.1 经典哈希算法
4.1.2 SSDH(semantics-preserving deep hashing)
4.2 监督学习哈希的训练方式
4.3 深度随机VLAD结构
4.3.1 VLAD
4.3.2 深度随机VLAD
4.4 基于深度随机VLAD的哈希算法
4.4.1 网络框架
4.4.2 约束
4.5 实验结果分析
4.5.1 基础卷积网络选择
4.5.2 基于不同的哈希长度的实验
4.5.3 RV-SSDH算法的分类效果
4.5.4 RV-SSDH算法复杂度分析
4.5.5 RV-SSDH在 Places365 数据集上的实验
4.5.6 RV-SSDH与其他哈希算法对比
4.6 本章小结
5 总结与展望
5.1 工作总结
5.2 研究展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于内容的图像检索技术与系统[J]. 李向阳,庄越挺,潘云鹤. 计算机研究与发展. 2001(03)
[2]基于综合灰度共生矩阵的显微细胞图像纹理研究[J]. 赵晖,鲍莉,梁光明,张耀东. 自动化技术与应用. 2004(10)
[3]基于内容图像检索中相关反馈技术的回顾[J]. 吴洪,卢汉清,马颂德. 计算机学报. 2005(12)
[4]Folksonamy——基于文本的图像检索的新方向[J]. 黄霞丽,顾建新. 新世纪图书馆. 2007(03)
[5]基于R树的图像检索方法[J]. 王汉,王兵,李悦,汤进. 计算机与现代化. 2011(01)
[6]SIFT改进算法在图像配准中的应用[J]. 王田甲,刘国荣. 微电子学与计算机. 2011(05)
[7]基于KD-Tree搜索和SURF特征的图像匹配算法研究[J]. 杜振鹏,李德华. 计算机与数字工程. 2012(02)
[8]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[9]基于颜色矩的图像检索算法研究[J]. 张少博,全书海,石英,杨阳,李云路,程姝. 计算机工程. 2014(06)
[10]基于文本和内容的图像检索算法[J]. 顾昕,张兴亮,王超,陈思媛,方正. 计算机应用. 2014(S2)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
硕士论文
[1]基于深度学习的图像检索技术研究[D]. 刘洋.华中科技大学 2015
[2]基于深度学习的语音识别研究[D]. 梁静.北京邮电大学 2014
[3]基于颜色直方图的图像检索技术应用研究[D]. 李冬梅.河海大学 2004
本文编号：3719739
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1绪论
1.1 图像检索的背景与意义
1.2 国内外研究现状
1.2.1 图像检索的研究
1.2.2 深度学习的研究
1.3 本文的主要研究内容
1.4 本文的组织结构
2 图像检索与深度学习的相关知识
2.1 图像常见特征
2.1.1 图像颜色特征
2.1.2 图像纹理特征
2.1.3 图像形状特征
2.1.4 图像深度特征
2.2 相似度判别方法
2.3 深度学习基础知识
2.3.1 深度学习概述
2.3.2 基于深度学习的图像特征学习模型
2.3.3 深度卷积神经网络的基本组成
2.3.4 反向传播算法
2.3.5 几个经典深度卷积神经网络
2.4 本章小结
3 基于深度CNN的特征融合算法研究
3.1 卷积层特征可视化
3.1.1 不同层特征
3.1.2 基于不同尺度卷积核的特征
3.2 特征融合算法
3.2.1 多层卷积特征融合(Multi-layers feature fusion,MLFF)
3.2.2 多尺度卷积核特征融合(Multi-scales feature fusion,MSFF)
3.3 实验结果和分析
3.3.1 数据集以及实验环境介绍
3.3.2 评价指标
3.3.3 实验结果分析
3.4 本章小结
4 基于深度随机VLAD的哈希算法
4.1 哈希算法
4.1.1 经典哈希算法
4.1.2 SSDH(semantics-preserving deep hashing)
4.2 监督学习哈希的训练方式
4.3 深度随机VLAD结构
4.3.1 VLAD
4.3.2 深度随机VLAD
4.4 基于深度随机VLAD的哈希算法
4.4.1 网络框架
4.4.2 约束
4.5 实验结果分析
4.5.1 基础卷积网络选择
4.5.2 基于不同的哈希长度的实验
4.5.3 RV-SSDH算法的分类效果
4.5.4 RV-SSDH算法复杂度分析
4.5.5 RV-SSDH在 Places365 数据集上的实验
4.5.6 RV-SSDH与其他哈希算法对比
4.6 本章小结
5 总结与展望
5.1 工作总结
5.2 研究展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于内容的图像检索技术与系统[J]. 李向阳,庄越挺,潘云鹤. 计算机研究与发展. 2001(03)
[2]基于综合灰度共生矩阵的显微细胞图像纹理研究[J]. 赵晖,鲍莉,梁光明,张耀东. 自动化技术与应用. 2004(10)
[3]基于内容图像检索中相关反馈技术的回顾[J]. 吴洪,卢汉清,马颂德. 计算机学报. 2005(12)
[4]Folksonamy——基于文本的图像检索的新方向[J]. 黄霞丽,顾建新. 新世纪图书馆. 2007(03)
[5]基于R树的图像检索方法[J]. 王汉,王兵,李悦,汤进. 计算机与现代化. 2011(01)
[6]SIFT改进算法在图像配准中的应用[J]. 王田甲,刘国荣. 微电子学与计算机. 2011(05)
[7]基于KD-Tree搜索和SURF特征的图像匹配算法研究[J]. 杜振鹏,李德华. 计算机与数字工程. 2012(02)
[8]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[9]基于颜色矩的图像检索算法研究[J]. 张少博,全书海,石英,杨阳,李云路,程姝. 计算机工程. 2014(06)
[10]基于文本和内容的图像检索算法[J]. 顾昕,张兴亮,王超,陈思媛,方正. 计算机应用. 2014(S2)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
硕士论文
[1]基于深度学习的图像检索技术研究[D]. 刘洋.华中科技大学 2015
[2]基于深度学习的语音识别研究[D]. 梁静.北京邮电大学 2014
[3]基于颜色直方图的图像检索技术应用研究[D]. 李冬梅.河海大学 2004
本文编号：3719739
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3719739.html
