没有合适的资源?快使用搜索试试~ 我知道了~
首页深度学习与改进哈希法:图像检索的新突破
深度学习与改进哈希法:图像检索的新突破
需积分: 14 5 下载量 10 浏览量
更新于2024-09-02
1
收藏 1.08MB PDF 举报
本文主要探讨了"基于改进哈希算法的图像检索方法"这一主题,针对当前图像检索技术中存在的问题,即传统视觉特征编码缺乏学习能力和高维特征导致的内存消耗问题。为解决这些问题,作者提出了一个端到端训练的图像检索策略。这种方法结合了深度卷积神经网络(Deep Convolutional Neural Networks, DCNN)的强大表征学习能力与改进的哈希算法,旨在提升特征的表达能力和降低计算复杂度。 首先,深度卷积神经网络被用于从原始图像中提取高级特征,这种网络结构能够自动学习到图像中的关键信息,从而提高特征的抽象性和区分性。然后,通过改进的哈希算法,这些高级特征被映射到一个低维的哈希空间中,这个空间被称为汉明空间,它具有高效的存储和检索性能。在汉明空间中,即使图像数据的维度大大降低,相似的图像仍然可以保持近似不变的距离关系,这有利于大规模的图像检索操作。 作者们在两个常用的图像数据集上进行了实验,结果显示,他们提出的哈希图像检索方法在检索性能上显著优于现有的主流方法。这种方法的优势在于提高了检索速度,减少了内存需求,同时保持了较高的准确率,使得图像检索在实际应用中更为高效和实用。此外,论文还提到了关键词,如图像检索、卷积神经网络、哈希算法、视觉特征、汉明空间以及特征编码和维度,这些都是理解和评估这项工作的关键术语。 这篇文章对于改进图像检索技术,特别是在大数据背景下,具有重要的理论价值和实践意义,为图像处理领域的研究者提供了一种新的思考和设计思路。
资源详情
资源推荐
5
3
年第 卷第 期
Electronic Sci& TechMay
h t t p://jo ur na lxidia ne ducn
收稿日期
基金 项 目 上 海 市 高 校 特 聘 教 授 东 方 学 者 岗 位 计 划
ESXX Research supported by The Program for Professor of
Special Appointment Eastern Scholar at Shanghai Institutions of
Higher LearningESXX
作者简介陆超文 男硕士研究生 研究方向图像
处理与模式识别 李菲菲 女博士教授 研究方
向多媒体信息处理图像处理与模式识别信息检索等 陈虬
男博士教授博士生导师 研究方向图像处理与
模式识别计算机视觉信息检索等
基 于 改 进 哈 希 算 法 的 图 像 检 索 方 法
陆超文李菲菲陈虬
上海理工大学 光电信息与计算机工程学院上海
摘要当前主流图像检索技术所采用的传统视觉特征编码缺少足够的学习能力影响学习得到的特征表达能力
此外由于视觉特征维数高会消耗大量的内存因此降低了图像检索的性能 文中基于深度卷积神经网络与改进的哈
希算法提出并设计了一种端到端训练方式的图像检索方法 该方法将卷积神经网络提取的高层特征和哈希函数相结
合学习到具有足够表达能力的哈希特征从而在低维汉明空间中完成对图像数据的大规模检索 在两个常用数据集上
的实验结果表明所提出的哈希图像检索方法的检索性能优于当前的一些主流方法
关键词图像检索卷积神经网络哈希算法视觉特征汉明空间特征编码特征维度
中图分类号TP文献标识码A文章编号
doi jcnkiissn
An Image Retrieval Algorithm Based on Improved Hashing Method
LU ChaowenLI FeifeiCHEN Qiu
School of Optical Electrical and Computer Engineering University of Shanghai for Science and
TechnologyShanghai China
AbstractThe coding methods of the traditional visual features adopted in current image retrieval approaches
lack sufficient learning ability and have no strong feature expression ability In addition due to the high dimensionali
ty of visual features a large amount of memory is consumed thus reducing the performance of image retrieval In this
paper an image retrieval algorithm with end to end training based on deep and improved hashing method was pro
posed and designed The proposed algorithm combined the high level features extracted by CNN with Hash function
and learned Hash codes with expression ability to perform large scale image retrieval in low dimensional Hamming
spaceThe experimental results on two main datasets showed that the retrieval performance of the proposed method
was superior to that of some state of the art ones
Keywordsimage retrievalconvolutional neural network Hashing methodvisual featureHamming spacefea
ture codingfeature dimension
近似最近邻搜索是一种有效的大规模图像检索策
略能够解决海量高维度下最近邻检索的问题 哈希
学习是学习一种保持图像相似性的紧密位表示使得
相似的图像能够匹配到相近的二进制哈希编码 基于
哈希的图像检索方法由于具有检索速度快存储成本
低等优点已成为研究的热点 根据利用图像标签信
息的程度现有基于学习的哈希方法大致分为两类无
监督哈希方法和有监督哈希方法 无监督哈希方法学
习具有未标记训练数据的哈希函数将输入图像编码
为二进制码 其中具有代表性的是局部敏感哈希Lo
cality Sensitive HashingLSH
其意在将相似的数据
匹配到相似的二进制编码的概率最大化 随后的研究
中大量无监督哈希学习算法被提出如谱哈希Spec
tral HashingSH
迭代量化 Iterative Quantization
ITQ
有监督哈希方法使用来自标记数据的监督
信息来学习哈希函数用于生成紧凑的二进制表示 例
如二进制重建嵌入Binary Reconstruction Embedding
BRE
提出了将样本点距离和相应的哈希码距离之
间误差最小化的方法 最小损失哈希 Minimal Loss
HashingMLH
构造了基于结构化支持向量机的哈
82
万方数据
下载后可阅读完整内容,剩余4页未读,立即下载
anitachiu_2
- 粉丝: 31
- 资源: 801
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功