基于层次化可导航小世界网络改进的SeqSLAM算法

SeqSLAM是移动机器人领域广泛使用的一种视觉定位算法,它对光照等因素较鲁棒,但受视角变化影响较大。另外,SeqSLAM采用了蛮力搜索匹配的方式,在较大规模数据集中无法满足实时性要求。针对以上问题,对SeqSLAM算法做了两方面的改进:首先将图像表示为局部聚合描述子向量,提取图像特征;然后采用层次化可导航小世界网络算法搜索相似图像序列,具有更高的搜索效率。测试表明,改进的SeqSLAM算法可以获得更高的精确率和召回率,搜索时间显著降低。

基于分区层次图的海量高维数据学习索引构建方法

学习索引是破解海量高维数据近似最近邻搜索问题的关键。然而,现有学习索引技术结果仅局限于单个分区中,且依赖于近邻图的构建。随着数据维度和规模的增长,索引难以对分区边界数据进行精确判断,并且构建时间复杂度增大,可扩展性难以保障。针对上述问题,提出了基于分区层次图的学习索引方法PBO-HNSW。该方法对分区边界数据进行重新分配,并行构建分布式图索引结构,从而有效应对近似最近邻搜索问题所面临的挑战。实验结果表明,该方法能够在百万级海量高维数据上实现毫秒级的索引构建。当召回率为0.93时,PBO-HNSW方法构建时间仅为基线方法的36.4%。

图索引结构词袋模型的无人机影像匹配对检索

无人机影像匹配对选择是提升影像匹配效率和三维重建稳健性的关键技术。针对经典树状索引结构词袋模型存在查找单词效率低、影像相似度计算精度低、时间复杂度高的问题,本文设计了导航小世界(NSW)图索引结构和TF-IDF-Match4算法,并提出了一种基于图索引结构词袋模型(GSBoW)的无人机影像匹配对检索方法。首先,利用SIFT GPU算法提取无人机影像特征,并通过分层K-means进行特征描述子集合聚类生成单词;然后,利用NSW索引结构进行单词组织,即从单词集合中随机挑选单词作为顶点插入图中,同时找到最邻近M个顶点建立顶点之间的边连接关系,直至所有单词插入结束;最后,在GPU端利用NSW索引结构进行最邻近单词检索,并使用TF-IDF-Match4算法计算查询影像与数据集影像的相似度,实现无人机影像的匹配对选择。本文利用3组大规模航空无人机影像进行试验,并与Colmap和DBoW的词袋模型算法进行对比。结果表明,与Colmap和DBoW词袋模型相比,本文的GSBoW检索算法效率分别提高了45和18倍,且显著提高了初始匹配精度。本文方法提供的影像匹配对能够保证三维重建获得更高的精度。

基于SecureCNN的高效加密图像内容检索系统

随着智能设备的快速发展,云上的基于内容的图像检索技术(CBIR)越来越受欢迎。但在半诚实的云服务器上进行图像检索存在泄露用户隐私的风险。为了防止个人隐私遭到泄露,用户外包图像给云之前会对其进行加密,但现有的明文域上CBIR方案对于加密图像数据的搜索是无效的。为了解决这些问题,文中提出了一个基于近似数同态的高效加密图像内容检索方案,在保护用户隐私的情况下,能够快速实现以图搜图,且无需用户的持续交互。首先使用近似数同态神经网络对图像集进行特征提取,可以保证网络模型的参数和图像集数据不会泄露给云服务器。其次,提出了一种新的神经网络分治方法,该方法可以减少同态加密乘法深度和提高模型运行效率;利用分级可导航小世界(HNSW)算法构造索引,实现高效图像检索。此外,使用同态加密保障图像数据传输过程的安全性,使用对称加密算法保证存储阶段的安全性。最后,通过实验对比和安全性分析证明了该方案的安全性和效率。实验结果表明,该方案是IND-CCA的,且在保证图像私密性的前提下,其同态加密的乘法次数最多为3次,在检索精度上远超过现有方案,在检索时间复杂度方面比现有方案高出至少100倍,实现了检索精度和效率的兼顾。