發(fā)布時間：2018-05-22 10:24

  本文選題：圖像檢索 + 哈希算法　； 參考：《浙江大學(xué)》2017年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)上的圖像資源也在以爆炸的速度增長,為了在如此大規(guī)模的數(shù)據(jù)中根據(jù)不同用戶各自的需求來高效地檢索相關(guān)的圖像,哈希相關(guān)的檢索算法應(yīng)運而生。然而在現(xiàn)存的大多數(shù)傳統(tǒng)哈希算法中,圖像特征提取和后續(xù)的哈希函數(shù)學(xué)習(xí)是割裂的,這使得特征很難與哈希函數(shù)學(xué)習(xí)過程適配,影響了檢索效果。基于深度學(xué)習(xí)的哈希算法的出現(xiàn)緩解了這一問題,但仍面臨優(yōu)化復(fù)雜難于訓(xùn)練,生成哈希碼冗余性強等一系列問題。在本文中,我們提出了基于深度學(xué)習(xí)的語義檢索哈希算法(Deep Hashing for Semantic Retrieval,簡稱DHSR),該方法使用深度卷積神經(jīng)網(wǎng)絡(luò)同時進行特征提取和哈希函數(shù)學(xué)習(xí),實現(xiàn)了完全端到端的訓(xùn)練學(xué)習(xí),將圖像特征的提取和哈希函數(shù)的學(xué)習(xí)融入到同一個過程中,使這兩部分互相適配促進,還提出結(jié)合了樣本點標(biāo)簽和樣本對標(biāo)簽兩種監(jiān)督信息以及量化誤差的優(yōu)化目標(biāo),使得神經(jīng)網(wǎng)絡(luò)模型可以在學(xué)習(xí)較好的個體語義特征的基礎(chǔ)上,生成保持樣本對原始相對位置關(guān)系的哈希碼。在此基礎(chǔ)上,本文進一步提出了一種基于神經(jīng)網(wǎng)絡(luò)的復(fù)合哈希碼層次檢索策略,通過單次訓(xùn)練神經(jīng)網(wǎng)絡(luò)生成兩組哈希碼,結(jié)合哈希表查找和哈希碼排序兩種方法的優(yōu)點。另外,本文還采用分塊全連接模塊代替全連接部分,生成各位更加不相關(guān)的哈希碼,并通過模型融合以及微調(diào)訓(xùn)練的方式以及一系列優(yōu)化技巧提升算法的穩(wěn)定性和準(zhǔn)確率。大量實驗結(jié)果證明,本文提出的DHSR方法在MNIST,CIFAR-10和NUS-WIDE三個公開圖片數(shù)據(jù)集上都取得了比現(xiàn)有的哈希算法更好的效果。
[Abstract]:With the rapid development of the Internet, the image resources on the Internet are also increasing at the rate of explosion. In order to efficiently retrieve the related images according to the respective needs of different users in such large-scale data, Hash-related retrieval algorithm emerges as the times require. However, in most of the existing traditional hash algorithms, image feature extraction and subsequent hash function learning are fragmented, which makes the feature difficult to match with the learning process of the hash function, and affects the retrieval effect. The emergence of Hash algorithm based on deep learning alleviates this problem, but it still faces a series of problems, such as complex optimization and difficult training, strong redundancy of generating hash code, etc. In this paper, we propose a deep learning based semantic retrieval hashing algorithm called Deep Hashing for Semantic Retrieval,. This method uses deep convolution neural network to extract features and learn hash functions simultaneously, and realizes the complete end-to-end training learning. The extraction of image features and the learning of hash function are integrated into the same process, which makes the two parts fit and promote each other, and proposes the optimization goal of combining the two kinds of monitoring information of sample point label and sample to label, as well as the quantization error. The neural network model can generate a hash code to preserve the relationship between the sample and the original relative position on the basis of learning better individual semantic features. On this basis, a hybrid hash code retrieval strategy based on neural network is proposed in this paper. Two groups of hash codes are generated by a single training neural network, which combines the advantages of the two methods of hash table lookup and hash code sorting. In addition, the block full connection module is used instead of the full connection module to generate more irrelevant hash codes, and the stability and accuracy of the algorithm are improved by model fusion, fine tuning training and a series of optimization techniques. A large number of experimental results show that the proposed DHSR method is more effective than the existing hash algorithm in the three open picture datasets of MNIST CIFAR-10 and NUS-WIDE.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 黃云軻;辛小龍;李成龍;李聿民;;關(guān)于對哈希算法的研究與應(yīng)用[J];計算機光盤軟件與應(yīng)用;2012年03期

2 陳一驕;盧錫城;孫志剛;;面向流管理的哈希算法研究[J];計算機工程與科學(xué);2008年04期

3 鄒保平;;基于一致哈希算法的用電信息采集系統(tǒng)研究[J];電力信息化;2011年06期

4 劉華珠;賀前華;;基于哈希算法的網(wǎng)絡(luò)橋接器地址維護方法(英文)[J];科學(xué)技術(shù)與工程;2008年17期

5 王遠;;可重構(gòu)哈希算法芯片的設(shè)計與實現(xiàn)[J];電腦知識與技術(shù);2012年04期

6 張江,傅鶴崗;基于關(guān)聯(lián)規(guī)則的二維哈希算法的改進[J];計算機工程與設(shè)計;2005年08期

7 唐銘;史長瓊;周愷卿;張大方;;倒插入分段哈希算法[J];計算機應(yīng)用;2011年02期

8 孫陽;朱宏峰;劉天華;;一種新型抗旋轉(zhuǎn)攻擊的魯棒哈希算法[J];小型微型計算機系統(tǒng);2011年04期

9 賀賢明,邵雷兵;一種基于學(xué)習(xí)的自適應(yīng)哈希算法研究[J];計算機應(yīng)用與軟件;2004年11期

10 邵雷兵,莊毅;一種基于學(xué)習(xí)的自適應(yīng)哈希算法研究[J];微電子學(xué)與計算機;2004年08期

相關(guān)會議論文 前3條

1 劉宗斌;馬原;荊繼武;夏魯寧;;SM3哈希算法的硬件實現(xiàn)與研究[A];第26次全國計算機安全學(xué)術(shù)交流會論文集[C];2011年

2 文振q;朱為總;歐陽杰;高金花;;一種魯棒可區(qū)分的視頻感知哈希算法[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

3 文振q;高金花;劉朋飛;杜以華;張萌;;基于分塊DCT和PCA的圖像感知哈希算法研究[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前6條

1 金仲明;基于哈希算法的海量多媒體數(shù)據(jù)檢索研究[D];浙江大學(xué);2015年

2 焦玉華;音頻感知哈希算法研究[D];哈爾濱工業(yè)大學(xué);2010年

3 趙玉鑫;多媒體感知哈希算法及應(yīng)用研究[D];南京理工大學(xué);2009年

4 趙杠;對偶連接問題的哈希算法研究[D];復(fù)旦大學(xué);2010年

5 胡媛媛;基于視覺模型的圖像感知哈希算法研究[D];哈爾濱工業(yè)大學(xué);2011年

6 袁鑫攀;基于minwise哈希的文檔復(fù)制檢測的研究及應(yīng)用[D];中南大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉弘;基于Markov圖模型的特征哈希算法[D];江西師范大學(xué);2015年

2 杜丹丹;基于稀疏哈希算法的目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2015年

3 倪康康;基于哈希算法的圖像檢索系統(tǒng)[D];西安電子科技大學(xué);2015年

4 高憲軍;半監(jiān)督哈希算法研究[D];西安電子科技大學(xué);2014年

5 余俊偉;基于局部不變矩和DWT特征矩陣的圖像哈希算法[D];廣西師范大學(xué);2015年

6 阮林林;基于局部線性嵌入和局部保持投影的圖像哈希算法[D];廣西師范大學(xué);2015年

7 董獻倫;基于關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)切分問題研究[D];山東大學(xué);2016年

8 王建;快速近似近鄰檢索的哈希方法研究[D];山東大學(xué);2016年

9 李秀琴;基于DWT特征點和方向直方圖的圖像哈希算法[D];廣西師范大學(xué);2016年

10 劉凱;基于壓縮感知的圖像哈希算法[D];廣西師范大學(xué);2016年

，

本文編號：1921678