检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于离散优化的哈希编码学习方法

计算机学报 2019年第5期42卷 1149-1160页

作者：刘昊淼王瑞平山世光陈熙霖中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学计算机科学与技术学院北京100049

哈希作为近似近邻搜索的一种主流方法,通过将样本索引为紧致的二值编码,在计算效率和存储上都非常高效.由于二值码的离散特性,以往的哈希方法往往需要将二值码松弛为实数值才能高效地进行优化,因此在优化完成后重新将实数值的结果量化... 详细信息

哈希作为近似近邻搜索的一种主流方法,通过将样本索引为紧致的二值编码,在计算效率和存储上都非常高效.由于二值码的离散特性,以往的哈希方法往往需要将二值码松弛为实数值才能高效地进行优化,因此在优化完成后重新将实数值的结果量化为二值时难免会由于二值的汉明空间与实数值的欧氏空间之间的差异而遇到性能上的损失问题.为了更好地解决量化损失的问题,本文提出了一种深度离散优化哈希(Deep Discrete Optimization Hashing,DDOH)方法.首先,设计了一种新的离散优化算法,通过直接在二值的汉明空间中对二值码进行优化,得到具有强判别性的二值编码.然后,训练卷积神经网络模型拟合上述二值码,得到用于编码的哈希函数.在CIFAR-10和ImageNet-100两个常用的评测数据集上的实验显示,本文提出的方法在CIFAR-10数据库上与目前最好的方法达到了同样的性能,在ImageNet-100数据库上的平均准确率指标与已有方法相比提升了约2.2%,证明了该方法的有效性.

关键词：近似近邻搜索高维特征索引哈希学习离散优化卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

高维数据下近似K近邻查询的研究

高维数据下近似K近邻查询的研究

作者：杜帅剑哈尔滨工业大学

学位级别：硕士

近年来,随着互联网的迅速普及,人类日常生活产生的数据也越来越大。数据的爆炸不仅体现在数据量上的增长,也体现在数据维度上的增长,在高维数据上的一些操作成为越来越重要的研究课题,比如本文关注的近似近邻查找问题。本文中我们主要... 详细信息

近年来,随着互联网的迅速普及,人类日常生活产生的数据也越来越大。数据的爆炸不仅体现在数据量上的增长,也体现在数据维度上的增长,在高维数据上的一些操作成为越来越重要的研究课题,比如本文关注的近似近邻查找问题。本文中我们主要针对于高维数据空间下的近似近邻查询问题进行了较深入的分析与研究。对近似近邻查找领域的查询感知的检索方式进行了一系列优化与改进。具体的工作有以下两点:对于近似近邻搜索,查询感知LSH是一种非常新颖的检索方式,这种方式不同于一般LSH中所使用的直接哈希分桶,它是通过先确定哈希投影再确定检索范围的方式,使得查询效果明显提升。本文首先对查询感知LSH进行改进,通过改进算法中的一些缺陷然后结合使用谱方法进行哈希,使得算法在时间和IO性能上都得到了一定的提升。深度哈希是基于深度神经网络的一类哈希算法,我们希望借助神经网络来建立一种优秀的哈希结构。我们首先提出了一种新的激活函数,然后建立了一种卷积自编码器网络结构,并提出了适用于该类网络的预训练方法。通过神经网络强大的表示能力,将数据哈希降维到低维数据,得到了非常精简的编码。最后我们联合深度哈希和查询感知检索方式,建立了一个基于深度哈希的近似近邻检索模型。虽然离线训练模型需要占用一定时间,但是这种方式缩短了在线处理时间和并且可以得到更加优良的检索结果。最后在公开数据集上的实验表明我们提出的激活函数和训练策略都非常有用,同时我们在实验中证明了卷积自编码器网络的高效性和实用性。

关键词：高维数据局部敏感哈希近似近邻搜索谱哈希神经网络

基于卷积神经网络和E2LSH的遥感图像检索研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用与软件 2018年第7期35卷 250-255页

作者：彭晏飞陶进訾玲玲辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

遥感图像是一种特征维度很高的图像,当前的遥感图像检索技术图像特征表达能力不强,并且利用海明距离排序后还需计算欧式距离,产生信息损失,严重制约了遥感图像检索技术的性能。基于上述问题,提出一种基于卷积神经网络和E2LSH的遥感图像... 详细信息

遥感图像是一种特征维度很高的图像,当前的遥感图像检索技术图像特征表达能力不强,并且利用海明距离排序后还需计算欧式距离,产生信息损失,严重制约了遥感图像检索技术的性能。基于上述问题,提出一种基于卷积神经网络和E2LSH的遥感图像检索技术,将遥感图像进行降噪处理之后,利用已经预训练过的VGGNet-D卷积神经网络模型提取图像深层次的特征,挖掘隐含的图像信息;利用L个E2LSH(Exact Euclidean Locality-Sensitive Hashing)函数对提取的特征在保证度量距离的同时进行高效降维并构建L个索引结构;利用L个索引完成粗检索以构成候选集。直接计算并排序候选集的欧氏距离来完成近似最近邻搜索,避免了两种空间及距离的换算。实验结果表明,提出的检索方法减少了距离换算的信息损失并能有效提高遥感图像特征表达能力,使其在查准率和查全率上有更好的检索效果。

关键词：遥感图像检索卷积神经网络 E2LSH 欧氏距离近似近邻搜索

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的互联网图片人脸检索系统

基于深度学习的互联网图片人脸检索系统

作者：朱翔南京理工大学

学位级别：硕士

近些年来,人脸检索技术已经融入到国家安全、金融、民政、监控等各个领域。一方面,随着互联网人脸图片的爆炸式增长,如何从海量人脸数据中快速检索出相关人脸已经成为当前亟需解决的难题,以哈希为代表的近似近邻搜索方法得到广泛关注和... 详细信息

近些年来,人脸检索技术已经融入到国家安全、金融、民政、监控等各个领域。一方面,随着互联网人脸图片的爆炸式增长,如何从海量人脸数据中快速检索出相关人脸已经成为当前亟需解决的难题,以哈希为代表的近似近邻搜索方法得到广泛关注和研究。另一方面,卷积神经网络在计算机视觉等领域取得了惊人的性能。于是,深度哈希算法受到了研究者的青睐。已有深度哈希算法往往存在着忽略二值化处理过程中带来的数据分布变化、无法充分利用网络特征提取能力促进哈希函数学习等问题,并且卷积神经网络需要昂贵的计算代价和巨大的参数存储空间。基于此,本文提出了基于分类和量化误差的深度哈希算法,并进一步地对深度网络进行压缩,在保证网络识别精度的同时,加快计算效率和减少参数存储空间。最终,本文设计并实现了一个互联网图片人脸检索系统。本文的具体工作如下:1)创新性地提出了基于深度哈希的人脸检索算法。本文利用深度神经网络能够有效学习图像特征的优势,将深度网络与哈希编码进行结合,通过分类误差和量化误差来直接指导网络的训练,最大程度地保持原始数据的聚类分布性并减少二值量化误差,从而求得同时满足检索准确性和实效性的哈希特征。本文将图像特征学习、哈希函数学习以及分类器学习统一到一个端到端网络结构中,从深度哈希函数、目标损失函数、以及针对性地层次特征融合三个方面对已有哈希算法进行改进,丰富的实验结果充分说明了方法的有效性。2)利用深度压缩算法压缩提出的人脸检索模型。随着网络模型在深度和宽度方面的不断扩展,模型的计算量和参数的存储空间呈几何倍增长。本文利用已有的深度压缩算法,从网络剪枝、权重量化和共享以及最终的霍夫曼编码三个方面实现对参数存储的空间压缩。在网络精度无损的基本前提下,成功地在LeNet-5网络、AlexNet网络、VGG-16网络以及本文提出的DHCQ网络上实现了参数压缩,最终取得了 35-49倍的网络压缩比率。3)设计并实现了互联网图片人脸检索系统。该系统可以让用户便捷地浏览人脸检索结果,并且会给出当前检索情况下具体的评价指标MAP,方便用户从客观指标和返回结果两方面评价人脸检索的最终效果。

关键词：近似近邻搜索深度学习哈希函数人脸检索网络压缩

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于内容的图像检索技术研究

基于内容的图像检索技术研究

作者：徐望明武汉科技大学

学位级别：硕士

当前,图像作为一种重要的可视化信息媒体,已被应用到几乎所有的科学技术领域和日常生活的各个方面。随着图像信息的快速增长,从海量的图像资源中快速高效地提取有价值的信息已成为人们的迫切需求。传统的基于文本的图像检索技术(TBIR)... 详细信息

当前,图像作为一种重要的可视化信息媒体,已被应用到几乎所有的科学技术领域和日常生活的各个方面。随着图像信息的快速增长,从海量的图像资源中快速高效地提取有价值的信息已成为人们的迫切需求。传统的基于文本的图像检索技术(TBIR)存在诸多局限。20世纪90年代,基于内容的图像检索(CBIR)技术应运而生,从可视化角度开辟了一条更为直观、准确的途径,很快成为智能信息处理领域的研究热点。 CBIR技术的关键在于两点:一是选取恰当的图像特征并找到有效的特征提取方法,二是采取准确可靠的相似性匹配算法。本文正是围绕这两点,主要研究了一种独特、稳定的图像局部不变特征——SIFT特征的提取算法,以及对这种高维特征进行快速索引和可靠相似性匹配的技术,并将它们应用于CBIR系统。图像特征提取方面,本文所选用的SIFT特征不同于目前在CBIR系统中通常使用的颜色、形状、纹理等全局特征或基于图像分割技术的局部统计特征,它能直接描述图像的局部信息,且具有较强区分度和稳定性。 CBIR中的相似性匹配技术包括两个层次,即“特征级匹配”和“图像级匹配”。在“特征级匹配”阶段,为了克服由128维的SIFT特征描述子带来的“维度灾难”问题,本文采用了一种近似邻近搜索(ANN)算法——结合K-D树和BBF算法——来完成SIFT特征的高维索引和快速匹配。在“图像级匹配”阶段,本文提出了一种改进的加权投票机制——近邻特征距离比计分机制(NNDRS),实现对已经找到的每个近邻特征所属库图像进行投票计分,并利用库图像的总得分排序来决定检索结果。为了增强匹配的可靠性,本文采用RANSAC算法作为一种几何一致性验证(单应约束)手段,用于仔细检查初步的检索结果,消除其中的无关图像,从而提高系统的查准率。本文实现了一个基于SIFT特征的CBIR实验系统,并在ZuBud图像数据库上进行图像检索实验。结果表明,本文提出的方法获得了较高的查全率和查准率(84%以上),适合于从图像数据库中搜索大致相同的目标或场景的CBIR应用。

关键词： CBIR SIFT BBF算法近似近邻搜索 RANSAC

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图像检索的哈希编码方法研究

面向图像检索的哈希编码方法研究

作者：程成南京邮电大学

学位级别：硕士

随着信息技术的发展,数据规模急剧增长,如何高效的从海量图像数据中检索出相似的图像,已经成为图像检索领域的研究热点。作为近似近邻搜索的重要代表,哈希学习(Hashing Learning)通过学习图像的二进制编码表示,显著减少了图像的存储和... 详细信息

随着信息技术的发展,数据规模急剧增长,如何高效的从海量图像数据中检索出相似的图像,已经成为图像检索领域的研究热点。作为近似近邻搜索的重要代表,哈希学习(Hashing Learning)通过学习图像的二进制编码表示,显著减少了图像的存储和查询开销,从而应对大规模图像数据中的检索问题。基于深度学习的哈希算法已经成为哈希学习的主要研究方向,本文主要针对深度监督哈希进行研究,具体工作可以总结如下:1.考虑到现有的深度哈希方法在训练策略和标签语义利用上的不足,本文提出了一种深度语义非对称哈希算法(Deep Semantic Asymmetric Hashing,DSAH)。首先受非对称深度哈希算法的启发,DSAH采用非对称的训练方式,利用查询图像训练深度哈希网络,整个数据库图像的哈希编码通过优化算法直接得到。然后为了充分利用图像标签和语义内容之间的关联,我们设计了一个端到端的深度哈希网络,该网络由标签自编码器网络和图像网络组成,利用标签自编码器网络对图像网络的学习进行监督,将图像标签的语义信息嵌入到深度哈希网络的学习中。2.针对相似性分布倾斜对深度哈希方法在训练过程中的影响,尤其是对非对称深度哈希方法造成的影响,以及现有的深度哈希网络对图像表示的不足,本文提出了一种深度优先局部聚合哈希算法(Deep Priority Local Aggregated Hashing,DPLAH)。首先将Net VLAD与深度哈希网络相结合,从而提高哈希网络对同类别图像的表达能力。然后通过对图像对之间施加不同权重来减轻相似性信息分布倾斜对哈希网络的影响,从而使汉明空间中难以保持相似关系的图像对优先训练。3.使用FLASK框架开发了一个基于深度监督哈希方法的图像检索系统,实现了图像检索的功能。

关键词：图像检索近似近邻搜索哈希学习深度学习自编码器

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度哈希的大规模人脸图像检索研究

基于深度哈希的大规模人脸图像检索研究

作者：谭春强电子科技大学

学位级别：硕士

人们在享受着互联网技术快速发展带来的便利的同时,也在互联网中产生并累积了大量的图像。如何有效组织、挖掘图像深层次的有用信息是我们所遭遇的难题,基于内容的图像检索技术因此得到迅速发展,并在社交、安全、民生等领域得到广泛应... 详细信息

人们在享受着互联网技术快速发展带来的便利的同时,也在互联网中产生并累积了大量的图像。如何有效组织、挖掘图像深层次的有用信息是我们所遭遇的难题,基于内容的图像检索技术因此得到迅速发展,并在社交、安全、民生等领域得到广泛应用。但是随着图像规模的指数级增长,该技术在检索精度、检索时延方面面临着巨大挑战。哈希方法以其低内存占用、高检索效率而备受青睐。同时,得益于深度学习技术在计算机视觉领域的优异成绩,基于深度学习的哈希方法逐渐进入研究者的视野。已有的深度哈希方法通常存在着分离特征提取与量化过程、只关注图片对之间的相似性关系而忽略图片本身的语义信息、忽略量化特征比特位之间的冗余信息等问题。本文针对这些,对现有的哈希方法进行改进,提出了一种结合图片对相似性与图片本身语义信息的深度哈希方法,设计并实现了一种基于GPU的多层次并行检索方案,在提升检索精度的同时,加快了大规模数据集上的检索速度。本文的具体工作如下:(1)提出了一种深度哈希方法。在现有的基于图片对的哈希方法基础上,采用多任务深度学习机制,将分类损失函数与对比损失函数相结合,量化过程中,在保留图片对之间的相似性的同时,尽可能地保留图片本身的语义信息,分类任务与量化任务互相指导学习。最终,得到了一个端到端的特征提取与量化网络,在CIFAR-10与ms-celeb数据集上的大量实验证明了该方法的有效性。(2)采用局部连接模块取代量化网络的全连接层,每个量化比特位仅与部分输入相关,减少特征之间的冗余信息。最终在两个数据集上均提升了2-3个m AP指标。(3)借鉴Res Net,设计并实现了更深层次的网络。深层次网络通常能够得到良好的特征表达,而高检索精度通常取决于良好的特征表达。实验结果表明了该网络的有效性。(4)在汉明排序的基础上,设计并实现了基于GPU的多层次并行检索方法,该方法将多个检索任务集成到一个任务中,利用GPU天然的并行性完成检索。最终得到在百万规模的图像库中完成单张检索延时0.8ms的效果。

关键词：深度哈希哈希检索端到端近似近邻搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的图像搜索系统研究与实现

基于深度学习的图像搜索系统研究与实现

作者：秦景坤北京邮电大学

学位级别：硕士

随着人工智能的浪潮兴起和智能技术的发展普及,互联网和移动智能终端产生的数字图像呈现指数爆炸增长。图像数据给用户带来舒适体验和便捷服务的同时,也带来了巨大挑战。如何从海量的图像数据中筛选用户感兴趣的图片,并搜索用户想要的... 详细信息

随着人工智能的浪潮兴起和智能技术的发展普及,互联网和移动智能终端产生的数字图像呈现指数爆炸增长。图像数据给用户带来舒适体验和便捷服务的同时,也带来了巨大挑战。如何从海量的图像数据中筛选用户感兴趣的图片,并搜索用户想要的相关相似内容是面临的数据难题。图像搜索作为计算机视觉研究的重要领域之一,可以解决大规模数字图像搜索相似内容这一难题。图像搜索目前在研究和应用中仍存在的问题有:(1)图像内容特征难以准确表达,即计算机的模型算法对图像特征的表达与人在视觉上的感知存在差异性,降低了图像搜索的准确率;(2)近似近邻搜索算法中,单一度量函数对图像内容特征相似度结果存在偏差导致准确率下降问题仍需研究;(3)目前国内外图像搜索的应用引擎大多是基于文本的方式,图像搜索结果存在不相关的情况较多。针对上述问题,本文以深度学习为支撑,重点围绕生成高效且蕴含语义的图像内容特征和快速准确实现大规模图像搜索进行研究,实现了面向互联网购物平台的图像搜索系统。主要研究内容有:(1)针对图像内容特征难以准确表达的问题,提出并实现了一种基于CNN-DeepAE的特征提取和编码联合模型。该模型采用多特征融合的方法优化了图像内容特征的提取,同时设计了一种多浅层逐级递进的方式对提取的特征进行紧凑编码。在公开数据集CIFAR-10的准确度上,比公开论文研究结果提高了 4.86%;(2)针对近似近邻搜索算法中,单一度量函数对图像内容特征相似度结果存在偏差导致准确率下降的难题,在Annoy算法基础上,提出一个多度量叠加树的构建方式和一种聚合重排序算法,在数据集CIFAR-10的实验结果准确率上提高了 1.8%;(3)提出一个面向互联网购物平台的图像搜索系统设计方案,优化目前国内外图像搜索的结果存在一些内容不相关的情况。基于上述研究的模型算法成果,本文完成了一个面向互联网购物平台的图像搜索系统,可以使用户基于本系统的API完成相应的业务需求,提升用户体验。

关键词：图像搜索深度学习图像内容语义特征近似近邻搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于中心相似度的深度锚图哈希方法

一种基于中心相似度的深度锚图哈希方法

作者：秦治国大连海事大学

学位级别：硕士

当前,多媒体数据成为互联网大数据的一种主要形式,且呈现海量、高维、异构等特性,如网购平台上的用户和商品信息等。庞大的数据为人们的生活带来便利的同时,也带来了数据存储和处理等方面的压力。其中,如何在大规模数据集中检索到目标数... 详细信息

当前,多媒体数据成为互联网大数据的一种主要形式,且呈现海量、高维、异构等特性,如网购平台上的用户和商品信息等。庞大的数据为人们的生活带来便利的同时,也带来了数据存储和处理等方面的压力。其中,如何在大规模数据集中检索到目标数据,是数据科学领域的一个基础问题。针对不同数据类型设计相应的检索技术,也一直是相关研究的热点。由于传统检索技术在海量高维数据情形下,性能表现不如人意,研究人员提出了近似最近邻检索的方案,并广泛应用于多种大数据场景如身份识别、以图搜图和个性化推荐等。在各种近似最近邻检索方法中,深度哈希技术性能出众,引起了研究人员越来越多的研究兴趣。一方面,哈希技术把原始数据转为二进制码处理,可以大大节约存储空间和提升检索效率;另一方面,深度神经网络把数据的特征表示和哈希映射集成在一个框架内,能够通过网络训练生成性能优异的哈希函数。不过,目前主流的深度哈希技术还存在一些问题。第一,由于深度神经网络训练复杂度较大,多数深度哈希方法只能从数据集中随机选取一个子集来参与训练,无法充分利用整个数据集的监督信息,从而制约了网络性能的提升。第二,多数深度哈希方法借助数据样本二元组或者三元组之间的相似关系,训练模型的参数,这种相似性仅是反映样本之间的局部关系,而没有利用样本之间的全局性,从而影响了网络学习的效率。为了解决上述问题,我们提出了一种基于中心相似度的深度锚图哈希(CDAGH)方法。首先,CDAGH借助经典的锚图哈希技术,在训练锚点集哈希表示的同时,利用锚点集和数据集之间的相似关系,学习数据集的哈希表示。由于仅有锚点集参与深度神经网络的训练过程,所以CDAGH可以在较大的训练集上进行。其次,CDAGH由数据库的类别标识预先计算类别的哈希表示,作为整个数据库哈希表示的中心,进而把中心相似度引入到深度锚图哈希的目标函数,改进了传统深度锚图方法对于训练数据全局相似性利用率不高的问题。再次,我们给出了一个参数交替优化的求解方案来寻找上述目标函数的近似最优解,并给出了该求解方案的算法复杂度以及收敛性分析。最后,我们在四个公开数据库上进行了大量的实验,详细分析了本文方法的参数,也与多个主流的近似近邻检索方法进行了对比,实验表明,CDAGH算法在检索性能、运行效率等方面具备明显的优势。

关键词：近似近邻搜索深度学习锚图哈希中心相似度