推荐星级:
- 1
- 2
- 3
- 4
- 5
联合加权聚合深度卷积特征的图像检索方法
资料介绍
针对图像特征提取不充分影响图像检索平均精确率的问题,提出了一种基于联合加权聚合深度卷积特征的图像检索方法。该方法将图像输入到预先训练好的卷积神经网络中,提取最后一个卷积层输出作为图像的深度卷积特征;通过计算空间权重矩阵突出图像的显著性区域并抑制背景噪声区域,然后根据通道方差最大原则选取相应的特征图计算出空间权重矩阵,将原始深度卷积特征加权聚合为列向量;通过区分性地对待不同通道的特征图,计算出通道权重向量与上述列向量点乘得到最终的全局特征向量。公开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,在图像检索的平均精确率上优于其他同类方法,可以有效地应用到图像检索相关领域。
部分文件列表
文件名 | 大小 |
联合加权聚合深度卷积特征的图像检索方法.pdf | 2M |
部分页面预览
(完整内容请下载后查看)第
卷
第
期
2
53
西
安
交
通
大
学
学 报
ꢀ
Vol.53 No.2
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
’
JOURNALOFXIANJIAOTONG UNIVERSITY
ꢀ ꢀ
年
月
2019
2
Feb.2019
ꢀ
ꢀ
:
/
DOI 10.7652xtuxb201902017
j
联合加权聚合深度卷积特征的图像检索方法
1
1
1
李晨
1
,
王佳星 李党超
2
,
,
,
时璇
许林松
(
西安交通大学软件学院
1.
,
,
;
2.
,
,
)
西安
西安
西安交通大学实践教学中心
710049
710049
: ,
摘要 针对图像特征提取不充分影响图像检索平均精确率的问题 提出了一种基于联合加权聚合
。 ,
深度卷积特征的图像检索方法 该方法将图像输入到预先训练好的卷积神经网络中 提取最后一
;
个卷积层输出作为图像的深度卷积特征 通过计算空间权重矩阵突出图像的显著性区域并抑制背
, ,
景噪声区域 然后根据通道方差最大原则选取相应的特征图计算出空间权重矩阵 将原始深度卷积
; ,
特征加权聚合为列向量 通过区分性地对待不同通道的特征图 计算出通道权重向量与上述列向量
。 ,
点乘得到最终的全局特征向量 公开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 在图像检索的平均精确率上优于其他同类方法 可以有效地应用到图像检索相关领域
。
: ; ; ; ;
关键词 图像检索 深度卷积特征 空间权重矩阵 通道权重向量 聚合
:
:
A
:
文章编号
0253987X 201902012808
ꢀ
(
)
中图分类号
文献标志码
TP391
ꢀ
-
-
-
JointWeihtin A reationofDee ConvolutionalFeatures
ꢀ
ꢀ ꢀ
p
ꢀ
ꢀ
g
g gg g
ꢀ
forImaeRetrieval
ꢀ ꢀ
g
1
1
1
1
2
,
SHIXuan XU Linson
ꢀ
,
,
,
LIChen WANGJiaxin LIDanchao
g
ꢀ
g
ꢀ
ꢀ
ꢀ
g
(
,
’
,
’
,
;
1.SchoolofSoftwareEnineerin XianJiaoton Universit Xian710049 China
ꢀ ꢀ ꢀ g
g
ꢀ
g
ꢀ
y
ꢀ
,
’
,
’
,
)
2.SchoolofEnineerin Worksho XianJiaoton Universit Xian710049 China
ꢀ ꢀ g
g
ꢀ
p
ꢀ
g
ꢀ
y
ꢀ
:
Abstract Animaeretrievalmethodbasedondee convolutionalfeaturesof ointweihtin
gꢀ g
ꢀ ꢀ ꢀ ꢀj
ꢀ
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
g
’
a reationis roosedtosolvethe roblemthatmostexistin imaeretrievala roachescant
gg g gꢀ
ꢀ ꢀp p ꢀ ꢀ ꢀp ꢀpp
ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
,
full extractimaefeaturesandtheir erformancereuirestobeim roved.Firstl themethod
gꢀ
ꢀp ꢀ q ꢀ ꢀ ꢀ p
y
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
extractstheoututsofthelastconvolutionallaerasdee convolutionalfeaturesofanimaeb
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ y ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ gꢀy
p
p
ꢀ
,
assin theimaethrouha retraineddee convolutionalneuralnetwork.Then thesatial
gꢀ gꢀꢀp
ꢀp
p
g
ꢀ
ꢀ
-
ꢀ
p
ꢀ
ꢀ
ꢀ
weihtmatrixiscalculatedtohihlihtsinificancereionsoftheimaeandtosu ressthe
g ꢀ gꢀ ꢀ ꢀ pp
ꢀ ꢀ ꢀ ꢀ g g ꢀ g ꢀ g ꢀ ꢀ ꢀ ꢀ
backroundnoiseoftheimae.Themaximum rincileofchannelvarianceisthenusedtoselect
g p ꢀ ꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ
g
-
p
thecorresondin feature ma andtocalculatethesatialweiht matrix.Theoriinaldee
ꢀ ꢀ p ꢀ ꢀ ꢀ ꢀp ꢀ ꢀ g ꢀ
g g ꢀ p
p
ꢀ
ꢀ
,
convolutionalfeaturesareweihtedanda reatedintoafeaturevector.Moreover thechannel
ꢀ g ꢀgg g ꢀꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
weihtvectoriscalculatedb distinuishin feature masofdifferentchannels andthenthe
g ꢀ
ꢀ ꢀ ꢀy ꢀ pꢀ ꢀ
g
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
lobalfeaturereresentationofthisimaeisobtainedb multilin thea reatedfeature
gꢀ ꢀ py g
ꢀ ꢀ p ꢀ ꢀ ꢀ ꢀy ꢀgg g ꢀ
ꢀ
g
ꢀ
vectorandthechannelweiht.Exerimentalresultsondifferent ublicavailabledatasetsfor
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀp ꢀ ꢀ
ꢀ
ꢀ
g
p
ꢀ
imaeretrievalshowthatthe rooseda roacheffectivel enhancesthediscriminativeabilit of
gꢀ
ꢀ ꢀp p ꢀpp ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
y
ꢀ
y
ꢀ
,
imaefeatures outerformsthestateofthearta roachesbasedon retrainednetworksand
ꢀ ꢀp
gꢀ
p
ꢀ
ꢀ
-
-
-
ꢀpp
ꢀ
-
ꢀ
ꢀ
canbeeffectivel a liedtorelatedfieldsofimaeretrieval.
y pp ꢀ ꢀ
ꢀ ꢀ ꢀ ꢀꢀ gꢀ
ꢀ
:
。
:
作者简介 时璇
(
—), ,
女 硕士生 李晨 通信作者 女 讲师 硕士生导师
1993
;
(
), ,
,
。
ꢀ
:
基金项目 国
收稿日期
20180813
- -
ꢀ
(
)。
家自然科学基金资助项目
61603289
:
:
网络出版地址
htt
p ∥
: / / /
网络出版时间
20181218
- - ꢀ
kns.cnki.netkcmsdetail61 .1069 .T .20181214 .0926 .012 .html
:
p ∥
htt
zkxb.xtu.edu.cn
j
ꢀ
ꢀ
, :
时璇 等 联合加权聚合深度卷积特征的图像检索方法
129
第
期
2
ꢀ
:
;
;
Kewords imaeretrieval dee convolutionalfeatures satialweihtmatrix channelweiht
gꢀ g ꢀ
;
p
ꢀ
ꢀ
p
ꢀ
ꢀ
g
y
;
vector a reation
gg g
[
]
15
,
通过高斯空
基于内容的图像检索技术成为了目前多媒体和
通道加权的深度卷积图像检索方法
ꢀꢀ
[]
1
,
计算机视觉领域的研究热点
其关键步骤是得到
间权重矩阵自适应地确定显著性区域中心并分配权
[ ]
16
。
图像的特征表示 早期研究工作是将手工设计的视
,
重 通过通 道 权 重 缓 解 特 征 爆 炸 现 象
,
与
SPoC
[]
2
)
[
]
36
,
-
(
觉特征 例如
,
方法相比 检索平均精确率 得 到 了 提升
。
特征
进行嵌入和聚合
得
和
SIFT
CroW
。
到图像的全局特征表示 近年来随着深度学习技术
方法利用图像深度卷积特征中不同特征图的
SBA
,
区分性生成语义探测器 通过加权聚合得到图像全
[
79
)
]
-
,
的兴起 有研究将深度卷积神经网络
(
CNN
应
[
]
17
。
。
用到图像检索技术中 此类方法将图像输入到预先
局特征表示
,
训练好的卷积神经网络中 直接提取某层的输出作
由于上述方法仍存在背景噪声及特征提取不充
[ ]
17
[ ]
13
,
为图像的特征表示 此类特征与传统的手工设计的
,
分的问题 本文基于
和
方法提出了
SBA
联合加权聚合深度卷积特征的图像检索方法 采用
空间权重矩阵来突出图像的显著性区域并抑制背景
CroW
。 ,
视觉特征相比具有更强的区分能力 因此 基于卷
,
积神经网络的图像检索方法成为了目前该领域的主
[
]
10
。
,
区域 根据通道权重向量区分性地对待不同通道的
流方法
。
早期的基于卷积神经网络的图像检索方法将网
特征图
[
]
11
,
络的全连接层输出作为图像的全局特征表示
然
基于深度卷积特征的图像检索框架
1
ꢀ
,
而全连接层输出缺失图像的空间信息 且此类方法
,
需要对输入图像进行缩放使其大小相同 这造成了
基于深度卷积特征的图像检索包括离线和在线
, 。
图像内容的畸变 因此检索平均精确率不高 有研
, 。 ,
过程 如图 所示 离线过程中 先将图像数据集中
1
,
究将网络的卷积层输出 即图像的深度卷积特征作
,
的每张图像输入到预先训练好的卷积神经网络中
, ,
为其全局特征表示 不仅保留了图像的空间信息 且
提取神经网络的卷积层输出得到图像的深度卷积特
[
]
1217
。
-
,
无需 缩 放 图 像 检 索 平 均 精 确 率 得 到 提 升
,
征 再使用合适的聚合方法将其聚合为全局特征向
; ,
量并存入到全局特征向量库中 在线过程中 将查询
方法直接对深度卷积特征中每个特征图求和
SPoC
池化得到图像的全局特征表示
[
]
12
,
是将深度卷积特
图像输入到相同的卷积神经网络中获取图像的深度
。
CroW
,
卷积特征 再使用相同的聚合方法得到查询图像的
征用于 图 像 检 索 的 开 创 性 工 作
方 法 基 于
,
全局特征向量 通过比较查询图像的全局特征向量
方法提出空间权重和通道权重来突出图像的
SPoC
显著性区域
方法采用变窗口方式对图像的特征图进行
[
]
13
,
。
,
与全局特征向量库中的全局特征向量之间的距离
检索平均精确率有了进一步提升
,
根据相似性大小进行排序 通过索引查找全局特征
R MAC
-
,
滑窗提取若干局部特征 再将局部特征相加得到最
。
向量对应的图像返回检索结果 聚合方法的好坏是
[ ]
14
,
,
影响检索平均精确率的核心因素 也是本文研究的
终的全局 特 征 表 示
该 方 法 检 索 平 均 精 确 率 与
方法是自适应中心点与
AdCoW
。
。
重点
方法相近
CroW
图
基于深度卷积特征的图像检索框架
1
ꢀ
:
p ∥
htt
zkxb.xtu.edu.cn
j
ꢀ
ꢀ
全部评论(0)