积分商城

最新搜索： 电源 ide手册 传感器 拼音输入 STM32CubeMX STM32入门教程
您现在的位置是：首页 > 技术资料 > 基于卷积神经网络和监督核哈希的图像检索方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络和监督核哈希的图像检索方法

更新时间：2019-12-23 23:54:18 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

当前主流的图像检索方法采用的视觉特征,缺乏自主学习能力,导致其图像表达能力不强,此外,传统的特征索引方法检索效率较低,难以适用于大规模图像数据.针对这些问题,本文提出了一种基于卷积神经网络和监督核哈希的图像检索方法.首先,利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系,提取图像深层特征,增强特征的视觉表达能力和区分性;然后,利用监督核哈希方法对高维图像深层特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索.在Image Net-1000和Caltech-256数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,提高图像检索效率,优于当前主流方法.


部分文件列表

文件名 大小
基于卷积神经网络和监督核哈希的图像检索方法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
1
Vol． 45 No． 1  
Jan． 2017  
第
期
电
子
学
报
2017  
1
ACTA ELECTRONICA SINICA  
年
月
基于卷积神经网络和监督核哈希的图像检索方法  
1
2
1
3
， ， ，  
柯圣财 赵永威 李弼程 彭天强  
( 1．  
，
解放军信息工程大学信息系统工程学院 河南郑州  
450001; 2．  
，
武警工程大学电子技术系 陕西西安  
710000;  
3．  
，
河南工程学院计算机学院 河南郑州  
450001)  
:
， ， ， ，  
当前主流的图像检索方法采用的视觉特征 缺乏自主学习能力 导致其图像表达能力不强 此外 传统  
摘
要
， ． ，  
的特征索引方法检索效率较低 难以适用于大规模图像数据 针对这些问题 本文提出了一种基于卷积神经网络和监  
． ， ，  
督核哈希的图像检索方法 首先 利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系 提取图像深层特  
， ; ， ，  
征 增强特征的视觉表达能力和区分性 然后 利用监督核哈希方法对高维图像深层特征进行监督学习 并将高维特征  
， ; ， ．  
映射到低维汉明空间中 生成紧致的哈希码 最后 在低维汉明空间中完成对大规模图像数据的有效检索 在  
ImageN-  
et-1000 Caltech-256  
和
， ，  
数据集上的实验结果表明 本文方法能够有效地增强图像特征的表达能力 提高图像检索效率  
，
．
优于当前主流方法  
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
深度学习 图像检索 卷积神经网络 近似近邻检索 监督核哈希  
TP391 0372-2112 ( 2017) 01-0157-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 01． 022  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Image Retrieval Based on Convolutional Neural  
Network and Kernel-Based Supervised Hashing  
1
2
1
3
KE Sheng-cai ，ZHAO Yong-wei ，LI Bi-cheng ，PENG Tian-qiang  
( 1． Institute of Information System Engineering，Information Engineering University，Zhengzhou，Henan 450001，China;  
2． Institute of Electronic Technology，Engineering University of CAPF，Xi’an，Shaanxi 710000，China;  
3． Institute of Computing Science，Henan University of Engineering，Zhengzhou，Henan 450001，China)  
Abstract: The visual features of the state-of-the-art image retrieval methods lack of learning ability，which lead to low  
expression ability． And the efficiency of traditional index methods is fairly low for large image database． In view of this，an  
image retrieval method based on convolutional neural network and kernel-based supervised Hashing is proposed． Firstly，a  
large convolutional neural network is employed to learn the intrinsic implications of training images so as to improve the dis-  
tinguish ability and expression ability of visual feature． Secondly，kernel-based supervised Hashing is applied to learn from  
the high-dimensional visual feature and map into low-dimensional hamming space and achieve compact Hash codes． Finally，  
image retrieval is accomplished in low-dimensional hamming space． Experimental results of ImageNet-1000 and Caltech-256  
datasets indicate that the expression ability of visual feature is effectively improved and the image retrieval performance is  
substantially boosted compared with the state-of-the-art methods．  
Key words: deep learning; image retrieval; convolutional neural network; approximate nearest neighbor; kernel-  
based supervised Hashing  
( Text-based Image Retrieval，TBIR)  
检索  
内容的图像检索  
CBIR  
逐渐发展为基于  
1
引言  
( Content-based Image Retrieval，CBIR) ，  
，
随着大数据时代的到来 互联网图像资源迅猛增长  
，
．
通过提取图像视觉底层特征来实现图像内容表达  
如何对大规模图像资源进行快速有效地检索以满足用户  
［1］  
［2］  
［3］  
， GIST 、SIFT 、SURF  
虽然视觉底层特征中 如  
等在图  
．
需求亟待解决 图像检索技术由早期的基于文本的图像  
，
像处理领域表现出优良的性能 但是生成这些描述子时  
: 2015-06-25;  
: 2016-02-29; :  
责任编辑 李勇锋  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 60872142，No． 61301232)  
158  
2017  
年
电
子
学
报
，
固定的编码步骤使得描述子缺少学习能力 限制了其图  
，
特征图的降维问题进行求解 该方法依赖数据本身生  
，
像内容表达能力 难以适应多样的图像数据  
．
．
成索引比随机产生哈希函数方法达到更高的准确率  
，
为得到大量图像数据的内在隐含关系 生成更具  
，
无监督的方法并没有考虑图像的语义信息 而用户往  
［4 ～ 6］  
［17］  
，Hinton  
， ，Wang  
往更倾向于检索结果的语义信息 为此 等  
有区分性和代表性的特征  
等学者  
将深度学  
将
，
习应用于图像处理领域中 为提取更加有效的图像特  
，
图像的语义相似性作为监督信息 提出了半监督哈希  
［7］  
． Tang  
DBN  
( Semi-Supervised Hashing，SSH) ．  
征提供了新思路  
等
将
第一层采用稀疏化  
DBN  
方法  
法的基础上研究者们还提出了一些全监督哈希方法  
全监督哈希方法相比于非监督方法能达到更高的准确  
在半监督学习方  
，
，
连接 同时利用概率降噪算法提高  
输出特征对噪  
( Conv-  
构建了卷积深度置信网络  
［8］  
． Lee  
声的鲁棒性  
等
olutional Deep Belief Network，CDBN) ，  
利用  
CDBN  
， 、 ，  
率 但是存在优化过程较为复杂 训练效率低等问题 这  
能从  
． Huang  
．
严重限制了其在大规模数据集上的应用  
未标注的自然图像中学习有效的高阶特征表示  
［9］  
CDBN  
， ，  
综上所述 为实现更加准确高效的图像检索 本文  
等
在
的基础上提出了局部卷积受限玻尔兹曼  
( Local Convolutional Restricted Boltzmann Machines，  
机
提出一种基于卷积神经网络和监督核哈希的图像检索  
LCRBM)  
，
模型 该模型利用对象类的总体结构学习特  
． ， ，  
方法 首先 引入卷积神经网络对训练图像进行学习 利  
［10］  
，
征 在人脸识别任务中取得非常好的效果  
． He  
等
通
用其特殊网络结构隐式地学习得到图像数据的高阶表  
( Convolutional Neural Network，CNN)  
， ;  
示 生成具有更强区分性和表达能力的深层特征 然后  
，
过在卷积神经网络  
的卷积层和全连接层加入  
SPP( Spatial Pyramid Pooling)  
( Kernel-Based Supervised Hashing，  
引入监督核哈希方法  
KSH)  
，
层 直接对不同大小图像进行学习并生成多尺度特征  
．
，
增强对线性不可分数据的分辨力 同时利用哈希  
， ，  
但是 深度学习生成的图像特征维数较高 存在维数灾  
、
码内积与汉明距离的等价关系设计更加简单 有效的  
， ，  
难问题 当图像数据规模较大时 若采用传统的最近邻  
，
目标函数 并结合训练图像的相似性信息对高维图像  
［11］  
［12］  
(
R-tree 、KD-tree  
)
， ; ，  
特征进行监督学习 并生成紧致的哈希码 最后 利用已  
检索方法 如  
检索速度急剧下降 难以适用于大规模数据  
为实现对大规模高维图像数据进行有效检索 研  
( Approximate Nearest  
等 进行检索就会使  
，
．
，
训练好的哈希函数构造图像索引 实现对大规模图像  
，
．
数据的高效检索  
究者提出了近似最近邻搜索策略  
2
基于卷积神经网络和监督核哈希的图像  
检索  
Neighbor，ANN) ．  
，
其中 哈希技术是解决近似最近邻检  
，
索问题的主流方法 其思想是利用哈希函数族将高维  
2. 1  
基于卷积神经网络的图像深层特征提取  
，
图像特征映射到低维空间中 同时使得原空间中距离  
［18］  
( Convolutional Neural Network，  
是第一个真正成功训练多层网络结构的学习算  
卷积 神 经 网 络  
．
较近的点映射到低维空间后仍保持较近的距离 早期  
［13］  
CNN)  
，
的哈希方法 例如位置敏感哈希  
( Locality Sensitive  
［14，15］  
，
法 并被广泛应用于解决如何提取学习图像数据的深  
Hashing，LSH)  
，
利用随机映射构造  
及其改进算法  
［8 ～ 10］  
． CNN  
:
的基本思想 将图像的局部感知  
层特征问题  
，
哈希函数 为了保证较高的准确率需要生成更长的哈  
， ，  
区域作为网络的输入 信息再依次传输到不同的层 每  
， ，  
希码 但是随着哈希码的增长 相似图像的哈希码映射  
、
层通过一个数字滤波器去获取对平移 旋转和缩放具  
，
到同一哈希桶的概率会逐步减少 导致较低的召回率  
．
［14，15］  
．
有不变性的显著特征 用于提取图像深层特征的卷积  
LSH  
及其改进算法  
构造的哈希函数都是与数据无  
［19］  
1
．
神经网络结构 如图 所示  
该卷积神经网络的输入图像大小为  
4096 ×1  
， ，  
关的 近年来 研究者们针对如何结合数据特点构造有  
［16］  
227 × 227，  
输出  
、
效 紧致的哈希函数提出了许多算法  
． Yair  
等
提出了  
，
5
、3  
为
的图像深层特征 一共包含 个卷积层 个  
( Spectral Hashing，SH) ，  
首先对相似图的拉  
谱哈希方法  
( l －1)  
． ，  
子采样层 在卷积层 前一层的特征图  
x
与可学习的  
g( ·)  
，
普拉斯矩阵特征值和特征向量进行分析 再通过放宽  
i
K ，  
卷积核 进行卷积 卷积的结果经非线性函数  
ij  
生
，
限制条件 将图像特征向量编码问题转换为拉普拉斯  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号