论文部分内容阅读
2012年以来,卷积神经网络已经在图像分类任务中取得了巨大成功。许多研究人员开始将预训练好的CNN模型作为特征提取器,应用于多种计算机视觉任务,如物体检测,物体识别,图像检索等。图像检索任务不仅需要关注类别所代表的类间差距,同时需要对同一类别内的图像加以分级区分。但是,全局CNN特征用于图像检索任务时,过于关注图像类别所代表的的全局语义信息,缺乏对图像局部细节的描述,以及不能有效的定义包含多个实体的图像,检索效果并不理想。本文研究基于深度学习的局部特征提取算法,通过特征聚合策略和显著性区域描述策略,生成可作用于图像检索任务的局部特征,主要工作如下:1.系统的给出了深度学习的理论基础,简要的介绍了几种传统的图像检索算法,介绍了几种经典的深度学习模型结构,并对目前深度学习应用于图像检索的相关工作进行了分析和总结。2.通过分析全局CNN特征作用于图像检索任务时不能有效的描述局部细节的缺陷,提出了一种聚合CNN低层特征图生成局部特征的策略。CNN模型的高层特征更注重语义信息,但是底层特征更注重局部细节信息。利用CNN模型从低到高越来越抽象的特性,本文通过提取低层的CNN特征图,并经过通道加权和空间加权聚合以及词袋模型聚合两种方式,生成可以描述图像细节的局部特征。相比于全局CNN特征,将这种局部特征应用于相同物体图像检索任务,检索准确率得到了有效提升。3.通过借鉴传统的局部特征描述子的生成过程,提出了通过提取显著性区域、显著性区域描述、编码三个步骤生成深度局部特征的策略。传统的局部描述子在图像检索领域仍然具有很大优势。因此,借鉴其原理,本文通过用显著性区域来代替传统局部特征中的关键点,从而生成深度局部特征。其中,本文利用图像理解的手段来提取显著性区域,并取得了较好的检索效果。本文在经典的图像数据集上进行了相同类别图像检索任务的实验仿真,并与经典的图像检索算法进行了对比。通过实验仿真证明了上述方法的有效性,能够进一步改善图像检索的效果,具有较强的实用性。