基于深度哈希与注意力机制的花卉图像检索

针对当前的花卉识别方法在真实场景下容易受背景、光照等因素干扰导致识别准确率低、识别速度慢的问题,提出一种基于深度哈希与注意力机制相结合的图像检索方法用于花卉识别。上述方法在神经网络中融合了注意力机制用于降低背景干扰提升特征质量,并增加一个哈希层降低特征维度以提升检索效率,在图像预处理阶段采用自适应直方图均衡化降低光照干扰影响。实验结果表明,在更接近真实场景的自制花卉数据集True Flowers上,所提方法与传统神经网络方法相比平均检索精度提升了1.3%,检索速度提升了156倍,在公共数据集Oxford 17 Flowers上新方法的准确率要高于其它文献方法,由此证明了新方法的有效性和先进性。

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

用于语音检索的三联体深度哈希方法

现有基于内容的语音检索中深度哈希方法对监督信息利用不足,生成的哈希码是次优的,而且检索精度和检索效率不高。针对以上问题,提出一种用于语音检索的三联体深度哈希方法。首先,将语谱图图像特征以三联体方式作为模型的输入来提取语音特征的有效信息;然后,提出注意力机制-残差网络(ARN)模型,即在残差网络(ResNet)的基础上嵌入空间注意力力机制,并通过聚集整个语谱图能量显著区域信息来提高显著区域表示;最后,引入新三联体交叉熵损失,将语谱图图像特征之间的分类信息和相似性映射到所学习的哈希码中,可在模型训练的同时实现最大的类可分性和最大的哈希码可分性。实验结果表明,所提方法生成的高效紧凑的二值哈希码使语音检索的查全率、查准率、F1分数均超过了98.5%。与单标签检索等方法相比,使用Log-Mel谱图作为特征的所提方法的平均运行时间缩短了19.0%~55.5%,能在减小计算量的同时,显著提高检索效率和精度。

融合Informer和深度哈希的时序数据相似性搜索研究

针对工业大数据相似性搜索的效率和准确率不高的问题,提出了一种融合Informer和深度哈希算法的时序数据相似性搜索方法。首先,基于Informer搭建深度哈希数据特征提取模型;然后,通过贪婪哈希函数和层归一化构建深度哈希函数,通过对损失函数进行优化提高深度哈希算法的性能;最后,对M树(M-tree)进行改进,提高时序数据相似性搜索的效率。基于不同数据集的实验结果表明,该方法在保证较高准确性的前提下,可以有效提高时序数据相似性搜索的速度。

基于深度哈希学习的知识库问答检索框架

知识库问答通常包含3个子任务:中心实体识别、实体链接和关系检测。鉴于当前知识库中通常包含数量巨大的实体和关系,为了进一步解决基于复杂规则和倒排索引在知识库中进行检索带来的搜索空间局限性、召回率偏低和难以兼顾语义信息等问题,提出了一种构造知识库问答检索框架的新方法。该框架包含文本召回和哈希召回两个主要模块,通过二次召回设计构成传统文本检索与保留语义信息的哈希码检索的级联检索模式。所提方法在大规模知识库问答测评基准KgCLUE和NLPCC2016提供的数据集上进行实验,结果表明:基于深度哈希学习的知识库问答检索框架可以高效地获取高质量的候选项,在适应大规模知识库的同时能够节省一定的时间开销。

用于攻击深度哈希图像检索模型的双分支自编码器网络

由于其强大的表示学习能力和高效的计算能力,基于深度学习的哈希(深度哈希)方法在大规模图像检索中被广泛应用。然而,对深度哈希模型的安全性研究较少。提出了双分支自编码器网络(DBAE)来研究这种检索的目标攻击。DBAE的主要目标是生成难以察觉的对抗样本作为查询图像,使深度哈希模型检索的图像在语义上与原始图像无关,与目标图像相关。大量实验证明,DBAE可以成功地生成具有小扰动的对抗样本来误导深度哈希模型,验证了这些扰动在各种设置下的可迁移性。

基于深度哈希的图像检索技术研究

本文提出的方法基于深度卷积神经网络和哈希算法,该方法对VGG16网络模型进行了改进:模型中全连接层保留FC6和FC7,去掉的FC8用哈希层替换,构建哈希函数获得哈希编码,在损失层对损失函数做了优化计算,微调模型初始化参数。图像检索过程主要包括模型训练和检索图像两个阶段,实验数据集采用CIFAR-10和NUS-WIDE。和其他几种典型的传统哈希算法和深度哈希算法进行对比分析,实验结果表明,本文所提方法能有效提高图像检索性能。

结合注意力模型与双峰高斯分布的深度哈希检索算法

哈希检索因为具有存储空间小、检索速度快的特点而受到广泛关注.目前深度哈希算法存在2个主要问题:深度哈希编码本质上是二值化特征,并且编码长度较短,存在特征表达能力有限的问题;已有的深度哈希算法无法直接通过反向传播学习离散哈希编码,通常将离散值松弛为连续值来优化学习,存在量化误差的问题.针对以上问题,提出一种结合注意力模型和双峰高斯分布的深度哈希检索算法.该算法设计嵌入空间和通道注意力模型的网络结构,关注重要特征并抑制不必要特征,增强了哈希编码的特征表达能力;同时为了解决量化误差问题,将均值为+1/-1的双峰高斯分布作为先验分布,并借鉴变分自编码机的思想,提出通过KL散度约束哈希编码分布服从先验分布,以减少量化误差.在3个基准数据集CIFAR-10,ImageNet,NUS-WIDE上,在不同码位下计算MAP结果显示,其MAP值优于对比的其他算法,取得了良好的检索效果,验证了文中算法的有效性.

基于深度哈希卷积神经网络的医学图像检索

医学图像为临床诊断提供了重要的影像学信息,如何从海量图像库中快速准确检索到病人影像信息是一项重要研究课题。提出一种基于深度哈希卷积神经网络的医学图像检索方法,通过建立深度哈希编码神经网络,以成对柯西交叉熵损失函数为优化目标,采用迁移学习方法实现了医学图像的实时精确检索。以ImageCLEF(Med)数据集为实验对象,实验证实新提出的方法是可行、高效的,对于大规模医学图像,基于深度哈希卷积神经网络的医学图像检索方法,明显提高了图像检索性能。当采用48维哈希编码时,平均检索准确率为91.9%,平均检索时间为0.037 s,结果优于当前基于深度学习的图像检索方法。

基于深度哈希网络的肺结节CT相似图像检索方法研究

【目的】肺结节图像具有相似度高和关联度高等特点,但传统图像哈希方法不能完整表达图像内容和语义信息导致检索的精度下降,因此,探讨一种基于深度哈希学习的肺结节CT相似图像检索方法。【方法】采用LIDC-IDRI公开数据集,首先,通过构造加入注意力机制的卷积神经网络与双向长短期记忆网络提取肺结节图像中带有权重信息的图像区域特征与区域间上下文相关信息,并将两种网络提取的深度特征进行融合,通过全连接层过渡到哈希层,实现哈希码的有效映射;其次,采用分级检索策略,利用本文的深度网络预测待查询图像的标注信息以获取对应的类库,在类内检索得到一组具有相似哈希码的候选对象构成候选池,然后根据池内图像高层语义特征进行相似度排序获取相似的肺结节图像列表。【结果】通过对公开数据集LIDC-IDRI进行实验分析,本文所提方法的平均检索精度提高到91.00%;与其他模型相比,准确率、召回率均有明显提升。【结论】本文构建了一种基于深度哈希网络的肺结节CT相似图像检索方法,该方法对肺结节病灶检索性能优于传统方法,可为临床医学诊断提供一定的参考价值。

基于深度哈希算法的云计算虚拟机迁移模型

云计算中跨数据中心虚拟机迁移存在带宽小与无共享存储功能问题,导致迁移过程数据的安全性受到威胁。为降低带宽开销,提升抵御攻击能力,研究基于深度哈希算法的云计算虚拟机迁移模型。利用深度哈希算法获取需要迁移虚拟机基本镜像的类似程度,根据类似程度构建哈希图,依据哈希图构建云计算虚拟机迁移模型;通过上述模型中迁移代理主机实现虚拟机迁移时的信息传递;存储单元利用哈希图存储虚拟机基本镜像及镜像间的相似度;通过迁移单元迁移存储单元中需要迁移的基本镜像数据块,完成虚拟机迁移。实验证明,上述模型在不同负载时跨数据虚拟机迁移时间最短,带宽开销最低,并具备较优的抵御攻击能力,其SLA违反率既低又平稳。

基于注意力机制的医学影像深度哈希检索算法

针对现阶段医学影像检索中检索性能差、精度低、缺乏可解释性等一系列问题,提出了一种结合了注意力机制的医学影像检索算法。以深度卷积神经网络为基础,以贝叶斯模型为框架,所提算法引入了由语义特征引导的注意力机制模块,通过分类网络的引导,生成包含语义信息的局部特征描述子,同时使用全局特征与富含语义信息的局部特征作为哈希网络的输入,引导哈希网络从全局和局部的角度关注重要特征区域,增强了哈希编码的特征表达能力,并引入加权似然估计函数解决了正负样本对数量不均衡的问题。采用MAP和NDCG作为评价指标,选择ChestX-ray14数据集进行实验,将所提算法与目前常用的深度哈希方法进行对比。实验结果表明,本文算法在哈希编码不同码位下的MAP值和NDCG值都远优于现有的深度哈希方法,证明了其有效性。

基于深度哈希的多模态视频拷贝检测方法

视频拷贝检测是版权管理和版权保护的重要手段。针对海量的媒体内容,如何采用深度算法提取鲁棒的哈希特征,便于快速索引和匹配,是本论文的一个创新点。此外,在传统研究中,音频、视频的内容往往没有进行有效关联,如何有效利用多模态特征的互补性有效表征视频内容,是本论文的另外一个创新点。本文所提算法能够有效抵抗常见拷贝变换,具有较高的检测精度和检测速度。

一种多尺度平衡深度哈希图像检索方法

传统监督哈希方法将图像学习的手工特征或机器学习特征和二进制码的单独量化步骤分开,并未很好地控制量化误差,并且不能保证生成哈希码的平衡性。为了解决这个问题,提出了新的多尺度平衡深度哈希方法。该方法采用多尺度输入,这样做有效地提升了网络对图像特征的学习效果;提出了新的损失函数,在很好地保留语义相似性的前提下,考虑了量化误差以及哈希码平衡性,以生成更优质的哈希码。该方法在CIFAR-10以及Flickr数据集上的最佳检索结果较当今先进方法分别提高了5. 5%和3. 1%的检索精度。

深度哈希算法在心脏超声图像检索中的应用

针对传统图像特征提取方法提取图像特征不够细致以及矢量量化检索的时间和内存消耗大等问题,结合B型心脏超声图像的先验知识,提出了基于深度哈希检索网络的心脏超声图像检索系统。首先,通过深度神经网络提取图像特征,生成哈希特征编码;然后,通过预先标注好的心脏超声图像利用坐标下降法直接对编码进行离散优化,对网络权重进行训练调整;最后,将现有的超声图像通过训练好的检索网络生成超声图像哈希编码数据库,对之后新采集的超声图像比较检索网络生成的哈希编码与数据库中的编码的汉明距离以找到以往类似的超声图像和病例,实现辅助诊疗的功能。在大规模真实采集的数据集上,对不同模型实验和测试表明,该方法相比传统检索方法有更高的准确率,检索精度可以达到0.9966,比尺度不变特征变换(SIFT)等方法可提高50%以上。该基于深度哈希的心脏超声图像检索能较好地应用于多种场景下的心脏超声图像检索,实现高精度的心脏超声辅助诊疗。

基于征象信息和深度哈希的肺结节图像检索

利用传统图像哈希方法对肺结节图像进行检索时,存在不能完整表达肺结节图像关键信息且检索效果欠佳的问题。针对这一情况,提出一种基于征象信息和深度哈希的肺结节CT图像检索方法。使用设计的深度网络对所研究肺结节图像进行深度特征的有效提取和征象类型的分类,将哈希函数嵌入到深度网络中实现哈希码的有效映射,使用特征关联的方式将分类概率值分布相似的待查询图像和训练集图像进行深度特征的关联表示,采用改进的距离度量计算方法衡量候选图像间的相似度,快速返回最匹配的肺结节图像。实验结果表明,所设计检索方法可以实现肺结节图像的高效检索。

基于成对标签的深度哈希图像检索方法

针对采用松弛-量化策略的深度哈希方法面临的二值码离散优化的难题,提出一种端到端的基于成对标签的哈希方法来学习更具有判别力的哈希码,通过优化损失函数来解决离散优化丢失信息的问题。引入锚点哈希码概念,以汉明空间中的锚点作为监督信息训练AlexNet网络,将表示图片的二值码拟合至各锚点附近,使用优化后的损失函数计算分类误差和锚点误差,使哈希函数生成具有强判别力的哈希码。在CIFOR-10数据集和ImageNet-100数据集上实验,检索精度优于当前主流方法。

基于深度哈希的批量图像并行检索方法

针对图像检索的精确度和效率基于内容海量图像检索的关键问题,提出了一种基于深度哈希算法的图像并行检索方法。首先使用卷积神经网络建立图像特征和哈希码提取模型,然后将图像输入到训练好的模型中获取图像特征和哈希码,并存储在分布式数据库HBase中,最后在Hadoop并行计算框架中实现了一种并行检索方法。在大规模数据集CIFAR-10上进行检索实验,得到平均准确率为60.28%,相比SIFT算法提高了12.63%,且批量检索一张图像的平均时间为0.73 s。因此,该方法可使检索精度得到明显提高,还能提高海量图像的存储和检索效率。

基于深度哈希网络的车型识别方法

针对车型识别任务的特点,设计了一种基于深度哈希网络的车型识别方法,实现了在类间差异不明显、样本量较少的情况下进行车型检索和分类。对数据增广方法进行研究,针对车型数据集的特点,提出了适用于车型识别的数据增广方法,有效提升了小样本车型识别的准确率。深度哈希网络采用改进的HashNet网络来快速学习车辆的二值特征表达,针对深度哈希网络使用全连接层导致参数过多的问题,提出了HashNet-GAP网络,以全局平均池化层替换了HashNet中的部分全连接层。相对于HashNet网络,大幅度减少了参数数量,提升了前向计算速度和网络性能。实验结果表明,该车型识别方法能够对类间差距很小的不同车型进行有效识别,在小样本数据集上取得80.0%的Top1准确率,并且能够显著降低模型的存储消耗和内存消耗。

基于RAN与深度哈希的图像检索方法研究

针对基于卷积神经网络提取的图像特征不仅包含目标信息,还包括杂乱的背景信息这一问题,提出了一种基于残差注意力网络与深度哈希的算法,该算法通过残差注意力网络提取图像特征,输入到哈希层得到图像的二进制编码,通过对比待查询图像的哈希码与训练集中每一张图像的哈希码之间的汉明距离来检索图像,可实现端到端的训练和检索。在Flickr和NUS-WIDE数据集上的实验结果表明,与残差网络相比,所提方法在平均检索精度上大约提升了1.1%~2.7%,有较高的准确率且检索性能相对稳定。