基于深度哈希的图像示例搜索算法研究

发布时间：2023-02-11 09:16

　　随着大数据和人工智能技术的发展,人们需要从海量的图像中搜索感兴趣信息,因而,基于哈希的大规模图像搜索技术得到广泛的应用,哈希算法的实质是把图像的特征空间映射到汉明空间,并且保留语义和距离的相似性,这样对图片的搜索可以转换成对图像哈希码汉明距离的计算,大大提高了搜索和存储的效率,近年来,随着卷积神经网络在图片分类中的成功应用,利用深度神经网络提取图像特征,并进行端对端优化的深度哈希技术得到了发展,相对于手工提取特征的传统哈希方法有明显的优势。本文研究了基于深度哈希的图像示例定位和搜索方法,首先,利用基于深度卷积特征融合算法对图像提取特征,并利用特征梯度法对图像中示例所在区域进行定位。在此基础上,提出基于深度哈希的图像示例搜索算法,通过引入1×1卷积核和目标函数的优化,对图像中的示例进行哈希编码,对图像进行更细粒度的基于特定示例的搜索,提高了图像搜索的语义准确度。最后,在CIFAR-10、VOC2012和MSRCv2数据集上的实验结果表明,本文提出的基于深度哈希的图像示例搜索在搜索精度方面相对于传统的搜索算法有较大的提高。

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 课题背景及研究意义
    1.2 基于深度哈希的图片搜索的研究现状
    1.3 本文工作
    1.4 本文文章结构
第二章 基于深度哈希的图片搜索技术介绍
    2.1 深度卷积神经网络
        2.1.1 基本结构
        2.1.2 残差网络模型分析
    2.2 图像示例检测和定位技术
    2.3 深度哈希图像搜索技术
    2.4 本章小结
第三章 基于深度卷积特征融合的图像示例定位算法
    3.1 算法框架流程
    3.2 算法描述
        3.2.1 预训练模型生成特征图
        3.2.2 特征梯度图法恢复图像分辨率
        3.2.3 特征梯度图融合
    3.3 实验分析
        3.3.1 数据集和评价指标
        3.3.2 结果展示
    3.4 本章小结
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 算法实现细节
        4.2.1 1 *1 卷积核的引入
        4.2.2 目标函数及优化
    4.3 实验分析
        4.3.1 选用的数据集介绍
        4.3.2 对比的哈希算法
        4.3.3 评价指标
        4.3.4 实验性能对比
    4.4 本章小结
第五章 总结与展望
参考文献
附录1 攻读硕士学位期间申请的专利
附录2 攻读硕士学位期间撰写的论文
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3740115