|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要：随着图像数据的迅猛增长，当前主流的图像检索方法采用的视觉特征编码步骤固定，缺少学习能力，导致
: b2 V1 K# p0 G) q1 p2 j2 u" [其图像表达能力不强，而且视觉特征维数较高，严重制约了其图像检索性能。针对这些问题，该文提出一种基于深6 j7 A$ w" K$ [' p3 n/ T
度卷积神径网络学习二进制哈希编码的方法，用于大规模的图像检索。该文的基本思想是在深度学习框架中增加一- ]. c# U/ h% H' W
个哈希层，同时学习图像特征和哈希函数，且哈希函数满足独立性和量化误差最小的约束。首先，利用卷积神经网
4 P- w+ U7 z) a! h络强大的学习能力挖掘训练图像的内在隐含关系，提取图像深层特征，增强图像特征的区分性和表达能力。然后，
7 u/ N% e9 a j! I& G/ o' P将图像特征输入到哈希层，学习哈希函数使得哈希层输出的二进制哈希码分类误差和量化误差最小，且满足独立性
. {5 [7 I7 ^- \# G3 t% [7 g6 \约束。最后，给定输入图像通过该框架的哈希层得到相应的哈希码，从而可以在低维汉明空间中完成对大规模图像7 E% D- A( J& V4 `. E
数据的有效检索。在 3 个常用数据集上的实验结果表明，利用所提方法得到哈希码，其图像检索性能优于当前主流
% F# Y; [, `. h/ _5 h; S6 V方法。
# c0 p8 ]9 p, [. Z关键词：图像检索；深度卷积神径网络；二进制哈希；量化误差；独立性
% f* S% A6 K( m" A" l1 引言
; `7 `2 G% e ~5 Y随着大数据时代的到来，互联网图像资源迅猛, i2 L3 f c% a9 b5 g. ]* g6 S+ N3 P
Y' h. }- q L/ D& `' U, C
# \' ^, l6 ], R) @6 c
- I0 C( d3 {! ^' @& N3 P" L$ C
# k0 {: x# J- u( X& G7 H' t7 W& x
9 {! b3 N, \, u/ i/ k附件下载：
) T* Q# E0 c1 x0 _: s4 p* d4 |; j) Y; h9 R' ~- K m! c
|
|
/1 
发表于 2021-4-12 10:07
收藏
淘帖
支持！
反对！