隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,多媒體數(shù)據(jù)呈現(xiàn)出了指數(shù)增長態(tài)勢。如何在規(guī)模龐大的數(shù)據(jù)中挖掘出有用的關(guān)鍵信息,是迫切需要解決的問題。圖像檢索聚焦于圖像數(shù)據(jù),旨在從圖像數(shù)據(jù)庫中搜索出符合用戶意圖的圖像集合。基于內(nèi)容的圖像檢索,允許用戶直接將圖像作為查詢手段,因而圖像的視覺特性及語義屬性成為了重要的研究內(nèi)容。在檢索的流程中,圖像表征和相似性度量方法對檢索精度的影響至關(guān)重要�；趫D像表征,歐氏距離度量能夠快速判定圖像之間的相關(guān)程度,是被普遍采用的度量方法之一。然而,大量研究表明,由于缺乏對特征空間中圖像分布以及圖像近鄰關(guān)系的有效利用,歐氏距離度量的準(zhǔn)確性直接受限于圖像特征的區(qū)分力。本文聚焦于基于內(nèi)容的圖像檢索問題,展開對圖模型的研究,提出基于相似性傳播的多級特征增強(qiáng)、基于圖神經(jīng)網(wǎng)絡(luò)的圖像重表征兩種算法,將圖像的近鄰屬性融入圖像表征,從而提升圖像表征的區(qū)分力,進(jìn)而顯著改善歐氏距離度量的準(zhǔn)確性。首先,本文提出了基于相似性傳播的多級特征增強(qiáng)方法。基于傳播的相似性度量方法主要應(yīng)用于在線查詢的重排序過程中,限制了檢索系統(tǒng)的時間效率和空間效率�；谏鲜隹紤],本文提出將圖傳播過程從在線階段遷移到離線階段,利用這種... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．３近鄰連接圖??

級特征增強(qiáng)???他們的本質(zhì)區(qū)別源自近鄰關(guān)系的不可逆性。在增強(qiáng)ｘ時，機(jī)制二引用的是ＪＣ本??身的近鄰，機(jī)制一引用的是將ｘ視為近鄰的那些圖像。通過比較這兩種機(jī)制，可??以更好地理解不同的近鄰定義方式的差異性。??第三種增強(qiáng)機(jī)制側(cè)重于保留更多圖像本身的信息，適用于分布不均勻或相??關(guān)圖像較少的數(shù)據(jù)集，因為在這類數(shù)據(jù)集中，特征增強(qiáng)很可能引入錯誤信息。??為了充分利用近鄰的特性，本文提出多尺度的多級特征增強(qiáng)方法。在公??式２．１中，尺度ｃｒ用于定義鄰接矩陣，ｃｒ決定了近鄰的平滑程度（如圖２．１）。??具體而言，一個較小的ａ嚴(yán)格地限制了只有空間距離非常近的圖像才可獲得較??高的相似度得分，對應(yīng)的兩個節(jié)點之間的連接才有較大權(quán)重；隨著的增大，這??種約束性減弱，空間距離稍大的圖像也會被認(rèn)為比較相似。??八ｉ丄??０?鈔?０??ｒ?〇??ｏ?〇?〇??〇■減小???＾??圖２．１近鄰尺度??注：尺度越大，則近鄰連接豐富；尺度越小，則對近鄰的選取越嚴(yán)格。??在不同尺度下進(jìn)行相似性傳播，靈活利用不同層級下的近鄰關(guān)系，使得特征??增強(qiáng)更加魯棒。將三種增強(qiáng)機(jī)制對應(yīng)的多級方案記為ＣＦＡ－１，ＣＦＡ－２，?ＣＦＡ－３。算??法流程如下：??？?Ｉ．選擇尺度ａ構(gòu)建鄰接矩陣；??？２．實施傳播策略，得到新的相似性度量??？?３．對Ｆ施加Ａ：近鄰約束并歸一化，用于增強(qiáng)所有數(shù)據(jù)庫圖像的特征；??？?４．重復(fù)步驟１？３，直到達(dá)到限定次數(shù)。??總體流程如圖２．２所示。??２．２．２大數(shù)據(jù)集特征增強(qiáng)方法??對于大型數(shù)據(jù)集，直接在整個數(shù)據(jù)庫中進(jìn)行傳播迭代將會消耗大量內(nèi)存且??計算量極大，因此必須對算法進(jìn)行調(diào)整。本文選擇先對數(shù)據(jù)庫進(jìn)

?第２章基于相似性傳播的多級特征增強(qiáng)???廠?？＞特征更新廣?？相關(guān)性傳遞??贏？?特征增強(qiáng)?＾??▲＇：義?，、卜＾＇乂??＠．：ｖ－?ＶＪ??Ｖ?＾ＳＥ＾ｆｇ］?Ｊ??鄰接圖?」?????圖２．２多級特征增強(qiáng)方法??注：第一步，選擇尺度構(gòu)建連接圖；第二步，實施迭代傳播過程，得到新的相似??性度量；第三步，基于新的相似性度量，更新圖像特征，在新的特征空間，相似??圖像會自動聚攏；多次重復(fù)上述流程。??每一個類內(nèi)實施獨立的特征增強(qiáng)。換句話說，不需要建立全局的連接圖。當(dāng)采用??ｆｃ－ｍｅａｎｓ聚類和硬量化（Ｈａｒｄ?Ｑｕａｎｔｉｚａｔｉｏｎ）策略時，為了降低量化誤差帶來的影??響，本文選用不同的聚類中心個數(shù)（記為Ｓ），分別進(jìn)行多粒度（粗粒度＋細(xì)粒??度，圖２．３）聚類。在這種聚類方式下，每一張圖像在每次聚類過程中，都有很??大機(jī)率與不同的圖像聚成一類，即每種粒度下，都可以利用不同的近鄰進(jìn)行特征??增強(qiáng)。??如果同時采用多尺度傳播策略和多粒度聚類，不僅步驟冗余，同時由于一個??類內(nèi)的連接子圖相當(dāng)于全局圖的一個局部切分，過度的傳播過程可能導(dǎo)致誤差??不斷累加。因此，我們簡化整個流程：首先，基于原始特征在不同粒度設(shè)置下進(jìn)??行聚類（注意：聚類都是在原始特征空間進(jìn)行，與每一次更新之后的特征無關(guān)，??原因在于：本文的初衷是希望減少原始特征空間的量化誤差）；然后，針對每一??粒度下的聚類結(jié)果，在每個類內(nèi)實施單一尺度的傳播及特征增強(qiáng)。算法流程如??下：??？?１．確定粒度集合丨，ｇ２，?．．．，？？／｝；??？?２．選擇粒度ｇ；?ｅ?Ｇ在原始特征空間進(jìn)行／ｃ－ｍｅａｎｓ聚類，最終得到包含／個??聚


本文編號：3482687