基于卷積神經(jīng)網(wǎng)絡的圖像檢索方法.pdf

1、隨著科學技術的快速發(fā)展，各行各業(yè)需要處理的數(shù)據(jù)格式不再局限于文本形式，數(shù)字圖像成為十分重要的信息來源。如何從大量的數(shù)字圖像中準確地檢索出所需要的圖像，是本文的研究內(nèi)容。針對圖像檢索問題，從不同的角度出發(fā)，提出兩個基于卷積神經(jīng)網(wǎng)絡的圖像檢索方法，分別是基于深度學習特征的圖像檢索方法和基于內(nèi)容的有監(jiān)督圖像檢索方法。
　　針對圖像高維特征占用巨大的存儲空間的問題，且考慮到其中一些特征存在高度相關性，提出一種基于深度學習特征的圖像檢索方法

2、。利用卷積神經(jīng)網(wǎng)絡，提取了基于深度學習的圖像特征。通過分析特征本身存在的相關性，采用主成分分析算法，對特征降維的同時盡量降低信息的損失。在此基礎上對特征進行哈希編碼，然后利用編碼做快速圖像檢索。Caltech101和Caltech256數(shù)據(jù)集上的實驗結(jié)果表明了，本方法與近期研究中基于深度特征編碼檢索的同類方法相比，其檢索性能更好。
　　可被計算機識別的圖像像素信息與人類感知的高水平語義概念之間存在著語義鴻溝，針對這個問題，提出一種

3、基于內(nèi)容的有監(jiān)督圖像檢索方法，旨在縮小語義鴻溝。方法分三個階段實施，第一階段是在大規(guī)模數(shù)據(jù)集 ImageNet上的預訓練。第二階段是，在目標數(shù)據(jù)集上對模型進行微調(diào)，使其更適合于目標數(shù)據(jù)集的問題求解，獲得微調(diào)后的模型。并對模型做如下的修改：將Alex CNN fc7層的輸出作為兩個層的輸入，這兩個層稱為softmax層和pca層，分別進行圖像的識別和特征子空間的轉(zhuǎn)換。檢索階段根據(jù)識別結(jié)果將 CNN特征轉(zhuǎn)換到相應的子空間，在子空間中對特征實