隨著大數(shù)據(jù)、云計算等技術的發(fā)展,互聯(lián)網(wǎng)與用戶終端產(chǎn)生了體量大、結構復雜、處理難度高的多媒體數(shù)據(jù)資源,其中圖像類數(shù)據(jù)以其較為有代表性的語義特征內(nèi)容、數(shù)據(jù)內(nèi)部相關性、廣泛的應用場景、多樣化的檢索識別需求,成為多媒體數(shù)據(jù)檢索與識別任務中較為有代表性的一類。在處理以圖像為代表的多媒體信息檢索問題時,常會因為數(shù)據(jù)維度過高而面臨較高的時間與空間復雜度,此時使用線性查找匹配方式進行檢索和識別工作會面臨較大的困難。近似最鄰近檢索算法(Approximate Nearest Neighbor Search,ANNS)可以在不顯著降低查找性能的前提下,大幅降低檢索和識別處理的時間與空間復雜度。在眾多ANNS類技術中,檢索哈希算法以其高速、準確、穩(wěn)定的優(yōu)點,受到了較為廣泛的關注。檢索哈希算法利用哈希映射的碰撞概念,使相關數(shù)據(jù)具有相同或相近的哈希編碼,通過對編碼的檢索實現(xiàn)快速準確的近似最鄰近檢索。利用檢索哈希算法實現(xiàn)的基于內(nèi)容的圖像檢索系統(tǒng),具有較高的檢索速度與準確度。利用相關反饋、深度學習等技術,可以進一步提升檢索哈希算法在不同應用場景中的檢索性能。本文圍繞哈希算法在圖像檢索類問題中的應用,針對不同類型圖像...

【文章頁數(shù)】：110 頁

【學位級別】：博士

【部分圖文】：

圖３－１?ＬＲＦＭＩＲ系統(tǒng)檢索邏輯??現(xiàn)有的利用相關反饋信息優(yōu)化檢索結果的方法，通常包括結果權重調整??（Ｗｅｉｇｈｔ?Ａｄｊｕｓｔｍｅｎｔ）和檢索點調整（Ｑｕｅｒｙ?ＰｏｉｎｔＭｏｖｅｍｅｎｔ），重點關注于利用??

檢索流程??Ｉ?Ｉ?檢索處理模塊??檢索結果優(yōu)化???（?）?索引構建模塊????＾?Ｖ?—?＝？?＿特征提取局部＾哈希??ｋ?待檢索圖像?映射??圖像數(shù)據(jù)集????，ｒ＿＿，，???ｒ?＼?ｃ?＼?（?＼??左姑的去ａｉ欄自?資源索引?＜?資源索引ＩＤ與??生成與分發(fā)＜?＾存儲....

圖３－３?ＬＲＦＭＩＲ系統(tǒng)整體工作流程??

ＭＩＲ是多特征融合檢索系統(tǒng)，需要分別計??算兩類特征對應的資源索引信息，構建相關索引消息。在系統(tǒng)初始化階段，索引??信息用于數(shù)據(jù)庫內(nèi)圖像數(shù)據(jù)的索引存儲過程；在檢索階段，索引信息用于待檢索??數(shù)據(jù)的最鄰近檢索過程。??ＭＴＨ／ＢｏＶＷ局爲感索弓丨構建?存雛構??ｊ?Ｂｆｌｇｒ?ｖｔ....

圖３＿４不同特征結果相似度示意??其中Ｘ標記代表實際需要檢索的數(shù)據(jù)，▽和＋標記的數(shù)據(jù)分別對應基于ＭＴＨ基??元（ｔｅｘｔｏｎ）特征和ＳＵＲＦ視覺詞袋特征得到的檢索結果，〇標記代表同時被兩??

北京郵電大學博士學位論文???針對這一問題，本章重點設計了分布式檢索系統(tǒng)中的多特征相關反饋算法，??采用學習截斷比例（Ｔｒｕｎｃａｔｉｎｇ?ｒａｔｅ?），按截斷比例分別對基于兩類特征??檢索得到的結果進行截斷，從而解決這一問題�；跇藴蕯�(shù)據(jù)集上的分析顯示，??對不同特征評價標準所....

圖３－６相關反饋迭代對檢索性能的影響??

北京郵電大學博士學位論文???３．４．３．相關反饋??在ＬＲＦＭＩＲ系統(tǒng)持續(xù)不斷完成檢索任務的過程中，用戶的相關反饋信息會??不斷輸入系統(tǒng)之中，利用本章設計的多特征相關反饋算法，系統(tǒng)可以學習更符合??用戶需求的截斷比例參數(shù)，提升檢索性能。兩個不同特征的截斷比例在系統(tǒng)初始??化時被....

本文編號：3968403