基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索研究.pdf

1、圖像檢索是圖像理解領(lǐng)域的一個(gè)重要分支。完成圖像檢索首先需要提取圖像特征，形成圖像目標(biāo)庫，然后選取一種相似性度量方法，計(jì)算待查詢圖像特征與數(shù)據(jù)庫圖像特征的距離，根據(jù)兩者的距離來判斷是否是相似圖像并返回。本文針對如何有效的提取圖像語義特征和相似性度量進(jìn)行研究。
　　首先，目前在基于內(nèi)容的圖像檢索中，由于簡單的距離度量方式不能準(zhǔn)確的衡量兩幅圖像特征之間的相似性。本文利用KISS距離度量學(xué)習(xí)進(jìn)行相似性度量?；诳臻g金字塔匹配對圖像SIFT

2、特征映射編碼，形成具有空間語義信息的圖像表示，采用 KISS距離度量學(xué)習(xí)來衡量兩幅圖像之間的相似性。KISS距離度量對特征各維度加權(quán)，可以獲得更好地相似性度量。通過與歐氏距離和余弦距離對比測試，距離度量學(xué)習(xí)可以提高檢索精度。
　　其次，鑒于卷積神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)的優(yōu)勢，可以提取出抽象的圖像語義特征，本文結(jié)合目前廣泛應(yīng)用于圖像分類領(lǐng)域的深度學(xué)習(xí)，對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行研究。利用預(yù)訓(xùn)練的Alex-Net卷積神經(jīng)網(wǎng)絡(luò)模型的高層輸出提取

3、圖像特征，該方法提取的圖像特征具有豐富的語義信息，可以提高圖像的識別精度?？紤]到網(wǎng)絡(luò)模型高層輸出特征維度較大，采用PCA降維對特征壓縮，可以在基本不損失檢索精度的同時(shí)提高檢索效率。
　　最后，為了使模型的參數(shù)更好地適用于目標(biāo)圖像庫和測試圖像的特征提取，本文提出微調(diào)卷積神經(jīng)網(wǎng)絡(luò)模型。利用目標(biāo)圖像庫重新對卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，微調(diào)模型框架和訓(xùn)練參數(shù)，使微調(diào)神經(jīng)網(wǎng)絡(luò)模型通過學(xué)習(xí)目標(biāo)圖像庫的特征，更新卷積權(quán)重，更好地與目標(biāo)圖像庫匹配。對于