基于內(nèi)容的圖像檢索在視覺領(lǐng)域受到廣泛關(guān)注。檢索主要分為兩個(gè)步驟,先提取圖像的特征,然后在數(shù)據(jù)庫中查找與目標(biāo)圖像特征近似的圖片。其中最為重要的一步便是圖像的特征提取。隨著圖片數(shù)據(jù)量越來越大,我們希望用于檢索的圖像特征可以包含足夠信息,即能夠是具有語義信息的特征,其次希望特征維度低,從而可以降低特征的存儲(chǔ)成本,最后希望特征足夠簡單,從而可以加快檢索速度。近些年,基于深度學(xué)習(xí)的深度卷積網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域取得了巨大的成就,卷積神經(jīng)網(wǎng)絡(luò)提取的特征能夠很好的表達(dá)一張圖片的內(nèi)容,并且卷積網(wǎng)絡(luò)同時(shí)可提取圖像的低級(jí)局部特征和高級(jí)語義特征。越來越多的基于深度學(xué)習(xí)的圖像檢索算法被提出。本文基于對(duì)圖像檢索的特征特點(diǎn)思考,因此進(jìn)行如下幾部分的研究工作:1.針對(duì)豐富特征內(nèi)容,研究了基于深度卷積神經(jīng)網(wǎng)絡(luò)特征融合的圖像檢索算法。首先,對(duì)卷積層各層特征以及不同尺度卷積核提取的特征進(jìn)行可視化,分析其不同的特點(diǎn)。然后進(jìn)行了兩種特征融合的方法研究:（1）基于不同層的特征融合算法。（2）基于不同尺度卷積核提取的特征融合算法。2.針對(duì)降低特征維度和復(fù)雜度,研究了基于深度隨機(jī)VLAD的哈希檢索算法（RV-SSDH）。首先,利用經(jīng)... 

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1緒論
    1.1 圖像檢索的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像檢索的研究
        1.2.2 深度學(xué)習(xí)的研究
    1.3 本文的主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 圖像檢索與深度學(xué)習(xí)的相關(guān)知識(shí)
    2.1 圖像常見特征
        2.1.1 圖像顏色特征
        2.1.2 圖像紋理特征
        2.1.3 圖像形狀特征
        2.1.4 圖像深度特征
    2.2 相似度判別方法
    2.3 深度學(xué)習(xí)基礎(chǔ)知識(shí)
        2.3.1 深度學(xué)習(xí)概述
        2.3.2 基于深度學(xué)習(xí)的圖像特征學(xué)習(xí)模型
        2.3.3 深度卷積神經(jīng)網(wǎng)絡(luò)的基本組成
        2.3.4 反向傳播算法
        2.3.5 幾個(gè)經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 基于深度CNN的特征融合算法研究
    3.1 卷積層特征可視化
        3.1.1 不同層特征
        3.1.2 基于不同尺度卷積核的特征
    3.2 特征融合算法
        3.2.1 多層卷積特征融合(Multi-layers feature fusion,MLFF)
        3.2.2 多尺度卷積核特征融合(Multi-scales feature fusion,MSFF)
    3.3 實(shí)驗(yàn)結(jié)果和分析
        3.3.1 數(shù)據(jù)集以及實(shí)驗(yàn)環(huán)境介紹
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
4 基于深度隨機(jī)VLAD的哈希算法
    4.1 哈希算法
        4.1.1 經(jīng)典哈希算法
        4.1.2 SSDH(semantics-preserving deep hashing)
    4.2 監(jiān)督學(xué)習(xí)哈希的訓(xùn)練方式
    4.3 深度隨機(jī)VLAD結(jié)構(gòu)
        4.3.1 VLAD
        4.3.2 深度隨機(jī)VLAD
    4.4 基于深度隨機(jī)VLAD的哈希算法
        4.4.1 網(wǎng)絡(luò)框架
        4.4.2 約束
    4.5 實(shí)驗(yàn)結(jié)果分析
        4.5.1 基礎(chǔ)卷積網(wǎng)絡(luò)選擇
        4.5.2 基于不同的哈希長度的實(shí)驗(yàn)
        4.5.3 RV-SSDH算法的分類效果
        4.5.4 RV-SSDH算法復(fù)雜度分析
        4.5.5 RV-SSDH在 Places365 數(shù)據(jù)集上的實(shí)驗(yàn)
        4.5.6 RV-SSDH與其他哈希算法對(duì)比
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于內(nèi)容的圖像檢索技術(shù)與系統(tǒng)[J]. 李向陽,莊越挺,潘云鶴.  計(jì)算機(jī)研究與發(fā)展. 2001(03)
[2]基于綜合灰度共生矩陣的顯微細(xì)胞圖像紋理研究[J]. 趙暉,鮑莉,梁光明,張耀東.  自動(dòng)化技術(shù)與應(yīng)用. 2004(10)
[3]基于內(nèi)容圖像檢索中相關(guān)反饋技術(shù)的回顧[J]. 吳洪,盧漢清,馬頌德.  計(jì)算機(jī)學(xué)報(bào). 2005(12)
[4]Folksonamy——基于文本的圖像檢索的新方向[J]. 黃霞麗,顧建新.  新世紀(jì)圖書館. 2007(03)
[5]基于R樹的圖像檢索方法[J]. 王漢,王兵,李悅,湯進(jìn).  計(jì)算機(jī)與現(xiàn)代化. 2011(01)
[6]SIFT改進(jìn)算法在圖像配準(zhǔn)中的應(yīng)用[J]. 王田甲,劉國榮.  微電子學(xué)與計(jì)算機(jī). 2011(05)
[7]基于KD-Tree搜索和SURF特征的圖像匹配算法研究[J]. 杜振鵬,李德華.  計(jì)算機(jī)與數(shù)字工程. 2012(02)
[8]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)
[9]基于顏色矩的圖像檢索算法研究[J]. 張少博,全書海,石英,楊陽,李云路,程姝.  計(jì)算機(jī)工程. 2014(06)
[10]基于文本和內(nèi)容的圖像檢索算法[J]. 顧昕,張興亮,王超,陳思媛,方正.  計(jì)算機(jī)應(yīng)用. 2014(S2)

博士論文
[1]圖像特征提取方法及其應(yīng)用研究[D]. 劉淑琴.西北大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的圖像檢索技術(shù)研究[D]. 劉洋.華中科技大學(xué) 2015
[2]基于深度學(xué)習(xí)的語音識(shí)別研究[D]. 梁靜.北京郵電大學(xué) 2014
[3]基于顏色直方圖的圖像檢索技術(shù)應(yīng)用研究[D]. 李冬梅.河海大學(xué) 2004



本文編號(hào)：3719739