基于alexnet融合特征的圖像檢索研究

《基于alexnet融合特征的圖像檢索研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、分類號(hào)TP391.3密級(jí)公開(kāi)UDC004.93學(xué)位論文編號(hào)D-10617-308-(2016)-02081重慶郵電大學(xué)碩士學(xué)位論文中文題目基于AlexNet融合特征的圖像檢索研究英文題目ResearchonImageRetrievalBasedonFusionFeatureofAlexNet學(xué)號(hào)S130201084姓名張俊學(xué)位類別工學(xué)碩士學(xué)科專業(yè)計(jì)算機(jī)科學(xué)與技術(shù)指導(dǎo)教師袁正午教授完成日期2016年5月20日獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所

2、知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含他人已經(jīng)發(fā)表或撰寫過(guò)的研究成果，也不包含為獲得重慶郵電大學(xué)或其他單位的學(xué)位或證書而使用過(guò)的材料。與我一同工作的人員對(duì)本文研究做出的貢獻(xiàn)均已在論文中作了明確的說(shuō)明并致以謝意。作者簽名：日期：年月日學(xué)位論文版權(quán)使用授權(quán)書本人完全了解重慶郵電大學(xué)有權(quán)保留、使用學(xué)位論文紙質(zhì)版和電子版的規(guī)定，即學(xué)校有權(quán)向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文，允許論文被查閱和借閱等。本人授權(quán)重慶郵電大學(xué)可以公布本學(xué)位論文的全部或部分內(nèi)容，可編入有關(guān)數(shù)據(jù)庫(kù)或信息系統(tǒng)進(jìn)行檢索、分析或評(píng)

3、價(jià)，可以采用影印、縮印、掃描或拷貝等復(fù)制手段保存、匯編本學(xué)位論文。（注：保密的學(xué)位論文在解密后適用本授權(quán)書。）作者簽名：導(dǎo)師簽名：日期：年月日日期：年月日重慶郵電大學(xué)碩士學(xué)位論文摘要摘要深度學(xué)習(xí)起源于人工神經(jīng)網(wǎng)絡(luò)，是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)通過(guò)多層擁有復(fù)雜結(jié)構(gòu)的處理層對(duì)于數(shù)據(jù)中的高層抽象進(jìn)行建模。深度模型由多層非線性模塊組成。深度學(xué)習(xí)的優(yōu)點(diǎn)是可以利用有效率的無(wú)監(jiān)督或者有監(jiān)督算法代替人工選擇特征的過(guò)程。圖像檢索問(wèn)題的內(nèi)容是在大型數(shù)據(jù)庫(kù)中搜索數(shù)字圖像?；趦?nèi)容的圖像檢索，即通過(guò)圖像內(nèi)容進(jìn)行查詢相

4、關(guān)圖像。基于內(nèi)容的視覺(jué)信息進(jìn)行檢索是計(jì)算機(jī)視覺(jué)技術(shù)在圖像檢索問(wèn)題上的應(yīng)用。隨著GPU的快速發(fā)展和CUDA編程模型的推出，利用GPU高速并行計(jì)算能力和深度學(xué)習(xí)模型進(jìn)行圖像檢索研究是當(dāng)前研究熱點(diǎn)之一。為了更好地將深度學(xué)習(xí)模型應(yīng)用于圖像檢索，本文主要分析了傳統(tǒng)圖像檢索技術(shù)和深度學(xué)習(xí)領(lǐng)域中的圖像檢索技術(shù)。研究深度模型對(duì)于圖像特征的提取能力及將深度特征進(jìn)行融合后在圖像檢索的表現(xiàn)。首先，結(jié)合深度學(xué)習(xí)模型各層特征的特點(diǎn)與提升圖像檢索效果的基本原則，提出了一種將深度特征進(jìn)行加權(quán)融合后應(yīng)用于圖像檢索中的圖像檢索方

5、法。本文使用深度學(xué)習(xí)框架Caffe并利用AlexNet模型提取圖像的特征，采用InriaHolidays、OxfordBuildings、Paris和UKBench四種公開(kāi)圖像數(shù)據(jù)集來(lái)進(jìn)行檢索實(shí)驗(yàn)并對(duì)實(shí)驗(yàn)結(jié)果按照數(shù)據(jù)集提供的評(píng)價(jià)方式計(jì)算檢索結(jié)果的平均正確率均值，以證明融合特征的有效性與在不同數(shù)據(jù)集中該融合特征的加權(quán)規(guī)律和檢索效果。其次，針對(duì)本文方案提出的融合特征采用PCA算法進(jìn)行特征降維，以研究該融合特征降維后的檢索表現(xiàn)。實(shí)驗(yàn)結(jié)果表明將AlexNet模型第6、7層融合后的特征可以顯著提升圖像檢索

6、的效果。PCA算法能夠在不損失太多精度的情況下對(duì)融合特征維度大幅壓縮，有效提升檢索效率。關(guān)鍵詞：圖像檢索，深度學(xué)習(xí)，特征提取，融合特征，特征降維I重慶郵電大學(xué)碩士學(xué)位論文AbstractAbstractDeepLearningoriginatedinartificialneuralnetwork,itisabranchofmachinelearning.IthasaDeepLearningprocessthroughmulti-layercomplexstructureswithcomplexd

7、ataprocessinglayerintheabstractionlevelmodeling.Deepmodelitselfiscomposedofsomenon-linearmodules.DeepLearning’sadvantagesaretheuseofanefficientunsupervisedorsupervisedfeatureselectionalgorithminsteadofdoingtheprocessbyhuman.Contentimageretrievalprobl

8、emistosearchlargedatabasesbydigitalimages.Content-basedimageretrieval,namely,searchforimagebyimagecontent.Content-basedretrievalofvisualinformationisanapplicationforcomputervisiontechnologyonimageretrievalproblem.WiththerapiddevelopmentofGPUandCUDApr