基于全局和局部深度特征的圖像重排序方法研究.pdf

1、圖像檢索重排序是圖像檢索的一個重要環(huán)節(jié)。在大多數圖像檢索系統中，用戶提供查詢文本，檢索系統通過從附屬于圖片的元數據中提取文本信息與查詢文本進行匹配，將匹配度高的圖片返回給用戶。這種方法只分析了文本信息，圖片本身包含的視覺信息以及返回圖片之間在視覺上的聯系并沒有被充分利用起來。因此，圖像重排序通過提取圖片的視覺信息并分析圖片間的視覺關聯，對圖片序列進一步優(yōu)化，極大地提高查詢性能。圖像重排序研究有兩個重要因素:視覺特征提取和重排序模型構建。

2、
　　基于圖模型的圖片重排序算法具有良好的性能。此類算法將每張圖片看作一個節(jié)點，節(jié)點之間的權重代表圖片間的鄰接關系，通常使用視覺相似度表達鄰接關系。圖片間的鄰接關系迭代地在整個圖網絡中傳播。傳播達到穩(wěn)定時，與周圍圖片共享較高視覺相似度（受歡迎）的圖片將獲得較高得分。由于大多數基于圖的方法側重通過分析圖片間的視覺一致性來達到重排序的目的。這使得這類算法沒有充分發(fā)揮那些與查詢極可能相關（偽相關）的圖片的作用。因此，本課題試圖改善傳統圖

3、模型重排序算法的這個問題，提出一種改進的VisualRank算法，使其能夠充分發(fā)揮偽相關圖片的作用，從而達到更好的排序結果。
　　圖像重排序的另一個重要的因素是圖像特征的提取。深度卷積神經網絡（Deep Convolutional Neural Network，DCNN）被廣泛應用于計算機視覺的各個方面，如圖像分類、圖像檢索。DCNN網絡不同層的特征表達的圖片信息的側重點有所不同。淺層特征側重表達圖片的邊緣、形狀等細節(jié)信息但包含許

4、多噪聲;隨著層數增加，圖片的一部分細節(jié)信息被丟棄，特征表達的信息更加抽象。高層特征（如全連接層）對于圖像分類而言，由于能夠準確表達圖像的語義信息，而物體類別也屬于語義信息，因此非常合適。但對于圖像檢索問題，圖片不僅需要具有相似的語義信息，也希望圖片在視覺上具有一定相似性。高層DCNN特征損失掉了太多局部信息，無法較好地度量圖片的視覺相似度。因此，將卷積層特征應用到圖像檢索中可以彌補僅使用全連階層特征時導致的局部信息缺失的問題。因此，本課