基于深度卷积神经网络和二进制哈希学习的图像检索方法

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,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方法。

基于二进制哈希与空间金字塔的视觉词袋模型生成方法

构建视觉词典是视觉词袋模型中的关键步骤,目前大多数视觉词典是基于k-means及其改进算法聚类生成。但由于k-means聚类的局限性以及样本空间结构的复杂性与高维性,该方式构建的视觉词典存在区分性较差、构建时间过长、不包含空间信息等问题。为此,提出一种改进的视觉词袋模型生成方法,以缩短视觉词典的构建时间。提取图像的局部特征点,构成局部特征点描述集。学习二进制哈希函数,将局部特征点映射为视觉单词,并对视觉词进行过滤,生成二进制哈希码的视觉词典。利用生成的视觉词典,结合空间金字塔匹配模型生成新的视觉词典模型,将图像表示为空间金字塔直方图向量,并应用于图像分类和检索。实验结果表明,该模型具有较高的分类精度和检索性能。

基于哈希技术的BoVW图像检索

本文提出了一种基于哈希技术的BoVW图像检索方法.选择合适的生成二进制哈希码的哈希算法,将局部特征点保持相似性地映射为二进制哈希码.再在二进制哈希码上进行k-means,生成视觉词为二进制码的视觉词典.最后,用视觉单词的词频向量表示图像内容,并根据词频向量对图像进行检索.实验结果表明,该方法可以缩短视觉词典生成的时间,占用更少的存储空间.

基于视觉词典和位置敏感哈希的图像检索方法

当前视觉词袋(Bag of Visual Word,Bo VW)模型中的视觉词典均由k-means及其改进算法在原始局部特征描述子上聚类生成,但随着图像数据的迅速增长,在原始局部特征空间中进行聚类存在着运行时间较长和占用内存较大的问题.针对着这些问题,提出了一种基于视觉词典和位置敏感哈希的图像检索方法.首先,选择合适的生成二进制哈希码的哈希算法,将局部特征点保持相似性地映射为二进制哈希码.然后,在二进制哈希码上进行k-means,生成视觉词为二进制码的视觉词典.最后,用视觉单词的词频向量表示图像内容,根据词频向量对图像进行检索.在SIFT-1M和Caltech-256数据集上的实验结果表明,本方法可以缩短视觉词典生成的时间,占用更少的存储空间,与传统的基于k-means的视觉词典算法相比,图像检索性能基本不变.

基于深度卷积神经网络的哈希算法研究

随着当今时代互联网的迅速发展,对图像的获取检索需求越来越大,传统的图像检索方法已经难以高效快速解决大批的数据,由此基于深度卷积神经网络的哈希算法研究相较于传统图像检索方法显示出了它更多的优点。该图像处理的方法采用首先可以采用基于深度卷积神经网络系统图像技术层为图像分析技术基础,学习二进制的哈希编码层模型,经CNN算法可以对该图像技术层模型进行发展图像特征的表达,在该哈希层的模型中能够输入到2个之间有一个完整连接关系的层次上的图像特征来进行表达,并还能直接将图像分类错误和图像阈值错误等错误加入了图像损失补偿函数中。最后经数据集CIFAR-10和NUS-WIDE的试验方法与研究数据的对比以及研究试验结果比较进一步分析证明总结出结论了该研究试验的方法在数据的检索量及试验准确度方面,比较方法上也已明显表现出其一些比较具体的优势。

基于三元组与变分自编码器的图像检索算法

基于内容的图像检索是计算机视觉领域的重要分支之一,其允许用户输入一张查询图像,通过特征匹配查找具有相同或相似内容的其它图像。在本文中,提出了一种新的图像检索框架,称为三重变分自编码器。该框架利用变分自编码器将输入的三元组嵌入潜在空间,并利用三元组学习类内相似性和类间差异性。同时,考虑到三元组的选择对有效训练三重损失的重要性,文章提出了一种三元组选择方法,在每个训练批次中选择与锚定图像最相似的正面例子和最相似的负面例子,同时保证这个选定的锚负对比锚正对距离大一个裕度的范围,以此提高三重损失的学习性能。实验结果表明,所提出的方法优于现有方法。

融合高级语义特征的色纺织物图像快速检索

为提高色纺织物图像检索系统的有效性与执行效率,建立了融合高级语义特征的色纺织物图像检索系统。该系统利用深度卷积神经网络对色纺织物图像的风格等高级语义特征进行提取,并融合图像的局部二值模式与方向梯度直方图等浅层纹理特征构建层次化检索系统。与此同时,采用二进制哈希编码对提取的高维特征向量进行降维。采用该系统对具有9种不同纹理风格的色纺织物样本图像进行检索,结果表明,该系统的Top-10查全率与平均准确率分别达到了97.37%和87.54%,具有理想的有效性与鲁棒性;相较于直接利用高级语义特征进行检索,提出的检索方法执行效率提升约750倍。