基于多分辨率特征提取网络的图像相似度学习

图像相似度学习旨在提取图像特征并构造新的相似性学习算法以对图像之间的关系建模。近年来,深度学习网络以能够自动学习特征的优势被广泛用于图像相似度学习中。针对深度学习网络提取的特征过于简单,导致相似度学习效率较低,且训练受到数据集大小的限制等问题,在改进的双分支网络和双通道网络基础上,结合数据增强和多分辨率特征提取方法,设计了一种多分辨率特征提取(IS-MRFE)网络。使用相同数据多输入方法进行网络训练,起到增强数据的作用,通过多分辨率特征融合,提高网络提取的特征多样性。同时,研究了数据集大小对网络训练适应性的影响。实验结果表明,在TLL(totally-looks-like)数据集中,所设计的IS-MRFE网络具有较强的网络学习能力和模型推广能力,此外,当数据集大小受到限制时,模型仍具有较强的适应性。