頻等視覺數(shù)據(jù)呈現(xiàn)爆發(fā)式的增長。移動隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展、移動設(shè)備的廣泛普及,互聯(lián)網(wǎng)中的圖片、視視覺搜索(Mobile Visual Search,MVS)方法以圖像、視頻、3D模型、地圖等視覺數(shù)據(jù)作為檢索對象,利用移動智能終端設(shè)備采集和獲取關(guān)聯(lián)信息,能夠在海量視覺內(nèi)容中為用戶提供有效的視覺信息檢索方法,成為信息檢索領(lǐng)域研究中的重要課題。然而,由于移動視覺搜索場景的移動性和泛在化的特點,相關(guān)研究存在諸多挑戰(zhàn):移動場景下圖像數(shù)據(jù)極易受到外部環(huán)境的干擾,由此產(chǎn)生的圖像噪聲使得系統(tǒng)難以準(zhǔn)確提取到圖像中的語義信息內(nèi)容,降低了移動視覺搜索的效率;此外,移動設(shè)備通常受到計算能力、存儲空間和網(wǎng)絡(luò)傳輸?shù)南拗?在這些限制條件下,傳統(tǒng)的基于內(nèi)容的圖像搜索方法難以滿足用戶快速檢索的需求。近年來,深度學(xué)習(xí)方法在計算機視覺領(lǐng)域得到廣泛研究和應(yīng)用,通過神經(jīng)網(wǎng)絡(luò)的逐層抽象和迭代,模型能夠?qū)W習(xí)到圖像深層語義信息,能夠有效解決由于圖像底層特征與高層語義之間的差距而產(chǎn)生的“語義鴻溝”問題;哈希方法旨在通過哈希映射將高維數(shù)據(jù)轉(zhuǎn)換成低維度的表示形式,能夠使圖像特征序列更為緊湊,并且具備低存儲需求、低計算成本、低傳輸成本...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究目的與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 MVS研究現(xiàn)狀
        1.2.2 圖像語義特征的提取與表示
        1.2.3 深度學(xué)習(xí)在計算機視覺中的研究與應(yīng)用
        1.2.4 深度哈希算法研究現(xiàn)狀
    1.3 主要研究內(nèi)容和創(chuàng)新點
第二章 深度哈希與移動視覺搜索理論基礎(chǔ)
    2.1 深度卷積神經(jīng)網(wǎng)絡(luò)原理
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)模型
        2.1.2 激活函數(shù)
        2.1.3 正則化方法
        2.1.4 損失函數(shù)
        2.1.5 基于梯度下降的模型訓(xùn)練方法
        2.1.6 學(xué)習(xí)率
    2.2 基于LSH的哈希算法
        2.2.1 基于比特抽樣的LSH
        2.2.2 基于隨機投影的LSH
        2.2.3 基于P穩(wěn)定分布的LSH
    2.3 距離度量基礎(chǔ)
    2.4 圖像檢索評估指標(biāo)
第三章 基于深度哈希的圖像語義特征提取模型
    3.1 構(gòu)建基于深度哈希的圖像語義特征提取模型
        3.1.1 卷積層
        3.1.2 全連接層
        3.1.3 哈希層
        3.1.4 輸出層
    3.2 模型預(yù)訓(xùn)練和參數(shù)初始化
    3.3 構(gòu)建模型損失函數(shù)
    3.4 基于小批量梯度下降的模型訓(xùn)練
第四章 基于深度哈希的移動視覺搜索流程
    4.1 圖像數(shù)據(jù)預(yù)處理方法
    4.2 圖像匹配檢索過程
    4.3 基于深度哈希的移動視覺搜索流程評估指標(biāo)
第五章 實驗方法及結(jié)果分析
    5.1 實驗數(shù)據(jù)集
    5.2 實驗環(huán)境搭建
    5.3 實驗方法和結(jié)果分析
        5.3.1 模型訓(xùn)練效果
        5.3.2 模型超參數(shù)對模型訓(xùn)練的影響
        5.3.3 移動視覺搜索效率評估
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 未來研究方向
參考文獻
附錄
攻讀碩士學(xué)位期間發(fā)表的論文
致謝



本文編號：3851235