《媒体计算基础》课程论文：VGG-16在图像检索中的应用与优化

在《媒体计算基础》课程的学习中，学生肖林航深入研究了图像检索的相关理论，特别是颜色特征提取（如颜色直方图和卡方距离）以及SIFT特征提取。课程中，他重点探讨了VGG-16模型，这是一种深度学习架构，用于解决图像检索问题，尤其是基于内容的图像检索（CBIR）。VGG-16模型由一系列卷积层和池化层组成，其中卷积核决定了特征提取的能力，而softmax层则用于分类和度量相似性。 肖林航通过构建VGGNet类和search类的代码，实现了VGG-16在图像检索中的应用。他首先介绍了深度学习的基本概念，包括模型的结构、卷积核的作用以及softmax函数在模型中的角色。在代码实现部分，他展示了如何利用VGG-16对输入图像进行特征提取，并设计搜索算法来找到最相关的图像。 在实践中，肖林航尝试了传统的方法，如基于颜色和SIFT特征的检索，但发现这些方法存在效率低下的问题，尤其是在大规模数据集上。颜色特征检索依赖于大量计算和比较，而SIFT特征则因内存占用大和计算耗时长而性能受限。因此，他决定转向使用VGG-16，这不仅能提供更丰富的特征表示，还能在一定程度上缓解这些问题。 通过对比不同方法，肖林航意识到基于深度学习的模型如VGG-16在图像检索中的优势，它能够自动学习和提取更高级别的图像特征，从而提高检索的准确性和速度。他在作业中使用VGG-16实现了基于内容的图像检索，并分享了他的旧版代码，展示了从底层特征到深度学习模型的迁移过程。 总结来说，肖林航的论文深入探讨了媒体计算基础课程中的图像检索技术，特别聚焦于VGG-16模型的应用，以及它如何通过深度学习改进传统方法的不足。通过实际操作和代码实现，他展示了深度学习在图像检索领域的潜力和价值。