基于深度卷积神经网络和局部敏感哈希的图像检索

网络图像资源增长迅速,如何实现快速有效的大规模图像检索,成为当前研究的热点之一。深度神经网络对图片特征有很强的表达能力,利用典型深度卷积神经网络VGG16在预训练完成的模型上使用网络全连接层的输出提取待检索图像数据集的特征以建立索引,并采用局部敏感哈希算法提升检索速度,以端到端的形式,完成基于内容的图片检索任务。这种图像检索模型提供了一种在计算资源有限情况下实现大规模图像检索的有效方法。     

基于深度中心匹配哈希网络的足迹压力图像检索

以赤足足迹压力图像为研究对象,采集了40人的5 230幅赤足足迹压力图像,在具有较低存储消耗的哈希算法基础上,结合深度学习方法设计了一种深度中心匹配哈希(DCMH)网络实现足迹的检索．该网络首先根据足迹压力图像的特点构建深度特征融合模块,提取反映足迹形态结构的全局特征和压力分布的局部特征,并将两种特征进行融合;然后在哈希编码模块通过全连接层将融合后的特征映射为1 024维特征向量,并通过哈希层生成哈希码;在网络优化过程中通过构建深度中心匹配损失函数从而减小哈希码与对应哈希中心之间的距离．深度中心匹配损失函数通过伯努利分布生成哈希中心,设计对数中心损失函数减小同类足迹压力图像数据哈希码与哈希中心的距离,并设计相似性损失函数作为正则化项约束每个批次数据间的相似性关系．通过在40人的赤足足迹压力图像数据上进行图像检索实验,本文算法检索结果的mAP可以达到0.99,优于传统的哈希算法及常用的深度哈希算法,为足迹的进一步的现场应用提供技术支撑．     

基于深度学习的大规模人脸图像检索

针对传统人工设计特征鲁棒性差、检索计算复杂等缺点,提出以深度特征表示人脸图像并采取由粗到细的人脸图像检索方法。首先,使用拥有近四百万张人脸图片的数据库训练卷积神经网络得到人脸特征提取模型;然后进行人脸特征提取、存储和聚类分析;最后,采用由粗到细地检索方式进行人脸检索。在LFW数据库上进行验证,基于深度学习的人脸特征的人脸检索准确率为99.1%,人脸检索时间约0.5s.实验结果表明,基于深度学习的人脸特征鲁棒性强、检索计算复杂度低。由粗到细的检索方法效率高,结果准确率高。     

基于深度学习的显著性区域的图像检索研究

利用神经网络提取的图像全局特征包含图像上的冗余信息,影响检索的精度,为了解决这个问题,提出了一种基于VGG16的改进网络结构、保留图像空间信息、提取图像显著性区域局部特征的算法。首先利用改进的网络对数据进行训练,得到准确率较高的模型,利用训练好的模型对所有图像使用类激活映射(CAM)的方法定位出图像的显著性区域;然后利用相同的模型提取局部显著性区域特征,构建图像数据库;最后对查询图像使用距离比较函数(L2)计算相似度,按相似度大小排列返回相似图像。在Corel数据集上,对比提取神经网络全局特征以及使用传统SIFT特征构建的K-means模型,使用局部显著性区域特征有较高的检索精度。实验结果表明,该模型有较好的检索效果。     

基于改进谱哈希的大规模图像检索

为了提高图像检索精度,文章在谱哈希的基础上引入最小量化误差的思想,提出了一种基于改进谱哈希的大规模图像检索算法,该算法避免了谱哈希中要求的数据服从均匀分布的假设,并且能够保持数据在原始空间的相似性;引入Boosting算法来确定阈值,使得该算法具有更强的适应性和更广泛的应用;在公开的图像数据集上做了实验,实验结果表明该方法优于谱哈希、局部敏感哈希和迭代量化等哈希算法。     

基于弱监督深度学习的图像检索技术研究

哈希算法结合卷积神经网络是一种常用的有效图像检索方法,这种有监督的学习方式要求大量人工标注的标签,耗费巨额的人力成本,且这种标签具有较强的专家制定性,在图像深层次语义的挖掘上能力有限。针对这一问题,该文提出了基于弱监督(Weakly-supervised)深度卷积神经网络的哈希函数框架,该框架包括弱监督的预训练和有监督的微调两个阶段。通过利用弱监督标签信息来学习语义感知哈希函数,将标签表示为语义词向量。根据语义间的相似与否来训练网络,设计的目标函数可以使语义相似的图像间的汉明距离较小,语义不相似的汉明距离相对较远。实验结果表明,该文提出的图像检索方法与目前先进的图像检索方法相比,精度提高了2%～6%。     

基于图像统计特性的商标图像检索

提出了单元图像和单元特征的概念,并在不同层次上从不同角度对图像进行多重描述。根据这些描述用欧氏距离来度量图像间的相似性。实验结果表明,本方法具有良好的检索效果。     

面向大规模图像检索的深度多尺度注意力哈希网络

针对现有哈希方法所存在的特征提取能力有限、量化约束机制低效等问题,提出一个深度多尺度注意力哈希网络进行大规模图像检索。整个网络由主分支和对象分支两个子网络组成。其中,在主分支网络中加入多尺度注意力定位和显著性区域提取两个模块,以有效定位和提取图像中的显著性区域,并将执行结果送入对象分支网络学习更为丰富的细节特征;同时,将两个子网络学习到的多粒度特征进行融合并执行二进制哈希编码;此外,引入三元组量化约束以减少量化误差,同时保持成对样本的相似度关系。为验证方法的有效性,文中在两个基准数据集上进行了广泛实验。实验结果表明,所提方法优于大部分现有的哈希检索方法。     

基于无监督哈希算法的车辆图像快速检索

套牌车辆的快速检索在智能交通系统中具有重要的作用。针对大数据时代车辆图像检索效率低下的问题,本文设计了一种非监督哈希算法的车辆图像快速检索方法。车辆检索框架利用非监督三元组网络最大化哈希编码的判别能力,同时保持了图像特征的旋转不变性。在自建的车辆数据库CAR-CR上的实验结果表明,本文设计的车辆检索方法能够有效检索车辆,而且较LSH和DeepBit方法其检索精度有较大提升。     

基于投影特征的商标图像检索方法

针对二值商标图像,提出了一种基于极坐标系投影特征的检索方法.利用商标图像在极坐标系的水平投影特征及垂直投影特征来描述商标图像的形状特征,利用投影特征向量的欧拉距离来度量图像的相似性程度.实验结果证明采用此方法具有良好的平移、旋转及尺度不变性,具有很好的检索精度.     

基于复数矩的商标图像检索方法

提出用图像复数矩与其它特征结合进行商标图像检索的方法,并给出了检索算法。实验结果证明,这是一种较好的方法,基本不会出现漏检索。     

基于深度卷积神经网络的图像哈希认证方法

提出了一种基于深度卷积神经网络的图像哈希认证方法.首先构建深度卷积神经网络AlexNet模型,训练该网络得到预定的网络性能;然后由训练好的卷积神经网络提取图像的特征,最后生成图像哈希序列用于图像内容的篡改认证.实验结果表明,相比同类方法,文中提出的图像哈希认证方法具有较高的区分性,同时对随机攻击、JPEG压缩、加性高斯噪声等具有可接受的鲁棒性. ROC曲线表明,文中提出的方法实现了区分性与鲁棒性的均衡.     

商标图像检索中子图像特征融合准则研究

该文对商标图像检索中的子图像特征融合准则进行了研究，根据子图像可信度对子图像特征融合准则进行加权改进。用Hu不变矩进行基于子图像特征融合的商标图像检索实验，用PVR指数作为图像检索性能评价准则。实验表明，基于子图像特征融合的商标图像检索优于基于全局图像特征的检索，子图像特征融合加权准则优于未经加权的子图像特征融合准则，其中最小加权平均准则最优。     

基于自编码器的深度对抗哈希方法在覆冰电网图像检索中的应用

为了提高覆冰电网图像的检索性能,提出一种基于自编码器的深度对抗哈希方法。首先,通过在现有的生成器和鉴别器之上添加新的编码鉴别器以鼓励生成的图像样本更好地表示真实数据分布。其次,构建哈希编码网络以学习生成紧凑的二进制哈希码。我们在WGAN-GP损失的基础上引入了新的基于长尾柯西分布的交叉熵损失和量化损失函数以优化汉明空间检索性能。实验结果表明,该深度对抗哈希方法能够通过编码鉴别器和柯西损失函数解决模式崩溃和图像模糊的问题,图像检索性能相比于其他方法有明显提高。     

基于联合不变矩形状特征的商标图像检索

针对商标图像结构越来越复杂的特点,提出了一种基于联合不变矩形状特征的商标图像检索方法。首先利用最佳阈值分割和形态学腐蚀运算的轮廓提取进行精确边缘检测;然后计算16个联合不变矩组成图像的特征向量;最后对特征向量高斯归一化,用欧氏距离度量图像间的相似性,构建了一个基于形状特征的自动图像检索系统。实验结果表明,该方法具有一定的可行性和有效性,所构建的系统具有实用意义。     

基于流形学习的图像检索研究进展

基于内容的图像检索是当前研究的热点,然而由于语义鸿沟问题而限制其检索能力的提高.而流形学习可以利用图像数据库中的数据,以及和用户交互的反馈信息获得用户的语义概念,从而提高检索性能.本文鉴于流形学习在图像检索中表现出的有效性,分析了近几年将流形学习应用到基于内容图像检索中的算法,从归纳和转导角度将相关内容分为两个类别,针对每个类别总结分析了相关算法,并总结了有待进一步研究的问题.     

深度学习在哈希算法的应用

哈希,一种将任意长度的输入二值化输出的过程,被广泛用于快速查找,如分类、检索和拷贝检测等。近年来受到卷积神经网络强大学习能力的影响,很多学者尝试用深度学习的工具进行哈希的探索,也就是所谓的深度哈希算法。深度学习模型是一种能够层进学习的机器工具,它可以通过从低级特征中构建高级特征来学习特征的层次结构,从而使特征构建过程自动化。本文对深度哈希算法进行了总结。     

基于多图学习的情感图像检索研究

构建了一个统一的多图学习框架,来验证在不同类别情感图像中,使用不同级别特征在情感图像检索上的性能表现。首先,提取每个图像在不同层级上的共有特征,其中,从元素级别提取的一般特征作为底层特征;可解释的属性特征作为中层特征;而情感图像的语义感念描述作为高层特征。其次,为每种类型的特征构建一个图模型来验证情感图像检索的性能。最后,将多个图模型合并在一个规范化的框架内来学习每个图模型的优化权重。通过在5个不同数据集上得到的实验结果验证了所提方法的有效性。     

基于深度学习的图像标注

随着个人计算机和互联网上数字图像数量的快速增长,用户越来越多借助于"语义概念"来检索感兴趣图像。然而由于图像底层特征刻画和高层语义概念描述间存在很大的差异,使得现有图像标注算法性能不甚理想。因此,文中提出基于多模态深度学习的图像标注框架,旨在应用卷积神经网络技术优化深层神经网络的参数,提高标注精度。具体地,文中提出的多模态深度学习标注框架利用两阶段学习,优化神经网络参数:(1)利用深度神经网络,优化各单模态参数;(2)利用相关性,实现多模态的最优组合。公共数据集的实验表明,该方案可以有效地提高图像标注的性能。     

基于深度学习的图像人脸识别方法研究

使用计算机进行面部表情识别是当前人脸面部表情识别的热点,在深度学习技术的基础上,应用级联分类器对面部进行整体检测和分区定位后,提出并使用了一种基于自注意力机制的深度卷积神经网络,模型采用Mini-Xception为基本网络融合了注意力机制,再通过训练卷积神经网络构建表情分类模型,最后实现较为快速准确的表情识别。文中采用几种方法进行实验对比,并对最终的实验结果加以分析。结果表明,在相同的参数设置下提出的方法能明显提高分类性能、识别的精准度以及面部表情变化检测的实时速度。