本文提出一種將深度特征與傳統(tǒng)手工特征進(jìn)行融合的圖像檢索方法,并在相關(guān)圖像數(shù)據(jù)集上驗(yàn)證該方法的有效性。首先,本文對深度全局特征進(jìn)行研究。本文采用預(yù)訓(xùn)練的VGG16神經(jīng)網(wǎng)絡(luò)模型,并從中提取出瓶頸特征以及兩個全連接層特征進(jìn)行圖像全局表示,并采用PCA降維,特征融合兩種方式對其進(jìn)行優(yōu)化。其次,本文從同一個神經(jīng)網(wǎng)絡(luò)中提取出深度卷積特征。通過計(jì)算特征圖的方差獲取部件檢測器并以此為基礎(chǔ)計(jì)算空間權(quán)重,同時根據(jù)特征圖稀疏程度為不同通道賦予不同權(quán)重。通過空間加權(quán)與通道加權(quán)的方法對卷積特征進(jìn)行聚合,以獲取全局圖像表示,并與其他聚合方法進(jìn)行檢索對比,以顯示該方法在圖像檢索上的優(yōu)勢。然后,本文針對傳統(tǒng)手工特征進(jìn)行編碼。本文選擇SIFT特征進(jìn)行圖像表示,然后利用VLAD方法對其進(jìn)行全局化編碼。在進(jìn)行聚類獲取碼本的過程中,本文采用模糊聚類算法FCM替代傳統(tǒng)的K-means聚類算法,并通過實(shí)驗(yàn)對比突出其優(yōu)越性。而后對特征向量與聚類中心的殘差進(jìn)行累加,以獲取圖像特征的VLAD編碼。接著本文提出一種將深度特征與手工特征進(jìn)行融合的圖像檢索方法。將上述三種特征歸一化后進(jìn)行加權(quán)融合,并針對融合特征進(jìn)行降維與白化處理。在進(jìn)行圖像... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于內(nèi)容的圖像檢索發(fā)展歷程

第一章緒論51.3論文研究內(nèi)容及組織結(jié)構(gòu)從圖像檢索的研究現(xiàn)狀看來，目前研究的熱點(diǎn)問題還是在于如何構(gòu)建出具有更好圖像表達(dá)能力的特征以提高圖像檢索的準(zhǔn)確性。因此，本文旨在設(shè)計(jì)一種基于深度特征與傳統(tǒng)手工特征融合的圖像檢索方法，并對其進(jìn)行優(yōu)化，以獲取更好的檢索準(zhǔn)確性。方法主要包括以下部分：首先針對深度特征，利用VGG16預(yù)訓(xùn)練模型提取深度全局特征與深度卷積特征，并針對多層深度全局特征進(jìn)行對比與優(yōu)化，并設(shè)計(jì)了一種基于空間加權(quán)與通道加權(quán)的聚合方法對深度卷積特征進(jìn)行聚合。然后針對傳統(tǒng)手工特征，選擇了SIFT特征并對其進(jìn)行VLAD編碼，在進(jìn)行編碼時，采用模糊聚類算法生成編碼碼本，以獲取更優(yōu)的編碼效果。最后將深度特征與手工特征進(jìn)行融合，并利用融合特征進(jìn)行圖像檢索。模型框架如圖1.2所示。圖1.2本文圖像檢索方法框架本文的具體組織結(jié)構(gòu)安排如下：第一章為緒論。主要介紹了圖像檢索方法的研究背景與現(xiàn)狀。主要介紹了圖像檢索的發(fā)展與應(yīng)用，以及基于傳統(tǒng)手工特征的圖像檢索以及基于深度特征的圖像檢索的發(fā)展

東南大學(xué)碩士學(xué)位論文8圖2.2神經(jīng)網(wǎng)絡(luò)模型其中對應(yīng)變量的公式可以表示為：1(2)=(11(1)1+12(1)2+13(1)3+1(1))(2.1)2(2)=(21(1)1+22(1)2+23(1)3+2(1))(2.2)3(2)=(31(1)1+32(1)2+33(1)3+3(1))(2.3),()=1(3)=(11(2)1(2)+12(2)2(2)+13(2)3(2)+1(2))(2.4)其中()為激活函數(shù)，激活函數(shù)作為一個非線性函數(shù)，可以為神經(jīng)網(wǎng)絡(luò)增加非線性，以增加其深層抽象能力，便于對于復(fù)雜的數(shù)據(jù)分布進(jìn)行學(xué)習(xí)與理解。神經(jīng)網(wǎng)絡(luò)一大特性就是利用梯度下降與反向傳播進(jìn)行網(wǎng)絡(luò)訓(xùn)練與權(quán)值更新，例如需要對式（2.1）中的權(quán)重11(1)進(jìn)行更新，需要計(jì)算代價函數(shù)L對其的梯度，計(jì)算過程如式（2.5）所示：11(1)=1(3)1(3)1(2)1(2)11(1)(2.5)然后，采用梯度下降法更新權(quán)重，批量梯度下降采用所有訓(xùn)練數(shù)據(jù)進(jìn)行權(quán)重更新，計(jì)算如式（2.6）所示：11(1)=11(1)1∑()11(1)=1(2.6)其中，m為訓(xùn)練樣本總數(shù)，為第i個樣本，為學(xué)習(xí)率。與批量梯度下降法不同，隨機(jī)梯度下降在迭代時只采用一個樣本進(jìn)行權(quán)重更新，這樣有利于提高更新速度同時也可以防止陷入局部最優(yōu)。計(jì)算方法如式（2.7）：11(1)=11(1)()11(1)(2.7)

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度深度學(xué)習(xí)的商品圖像檢索[J]. 周曄,張軍平.  計(jì)算機(jī)研究與發(fā)展. 2017(08)



本文編號：2983223