深度卷積神經(jīng)網(wǎng)絡學習的圖像特征表示具有明顯的層次結(jié)構(gòu).隨著層數(shù)加深,學習的特征逐漸抽象,類的判別性也逐漸增強.基于此特點,文中提出面向圖像檢索的深度漢明嵌入哈希編碼方式.在深度卷積神經(jīng)網(wǎng)絡的末端插入一層隱藏層,依據(jù)每個單元的激活情況獲得圖像的哈希編碼.同時根據(jù)哈希編碼本身的特征提出漢明嵌入損失,更好地保留原數(shù)據(jù)之間的相似性.在CIFAR-10、NUS-WIDE基準圖像數(shù)據(jù)集上的實驗表明,文中方法可以提升圖像檢索性能,較好改善短編碼下的檢索性能.

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1DHEH模型架構(gòu)

圖1給出DHEH的模型架構(gòu).它是一個端到端的深度哈希學習框架,由一個基于CNN的圖像分類模塊及一個漢明嵌入模塊構(gòu)成.前者用于圖像表示學習,后者用于控制哈希編碼之間的相似性保留.DHEH采用AlexNet深度架構(gòu)[16]作為它的深度卷積神經(jīng)網(wǎng)絡部分.深度網(wǎng)絡共包含5個卷積層、2個全....

圖2DHEH在2個數(shù)據(jù)集上的平均精確率均值

由圖2和圖3可見,同時進行漢明嵌入學習的模型在2個數(shù)據(jù)集上不同編碼長度下的性能均優(yōu)于僅進行圖像表示學習的模型,這體現(xiàn)漢明嵌入學習的重要性.圖3DHEH在2個數(shù)據(jù)集上的precision@5k

圖3DHEH在2個數(shù)據(jù)集上的precision@5k

圖2DHEH在2個數(shù)據(jù)集上的平均精確率均值圖4為DHEH在規(guī)模較大的NUS-WIDE數(shù)據(jù)集上短編碼(12bit)與長編碼(48bit)時的precision-recall曲線.

圖4DHEH在不同編碼長度下的precision-recall曲線

實驗表明,同時進行漢明嵌入學習的模型能更好地控制相似性信息的保留,進一步驗證漢明嵌入損失的有效性.3結(jié)束語

本文編號：3981644