一种基于深度哈希学习的菊花图像内容检索方法.pdf
雨巷****莺莺
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度哈希学习的菊花图像内容检索方法.pdf
本发明公开了一种基于深度哈希学习的菊花图像内容检索方法,该方法利用深度神经网络算法和Hash编码来进行图像的识别和检索,首先建立训练集和测试集对待识别图像进行预数据处理,增强图像的泛化能力和识别度,然后通过卷积神经网络构建菊花图像特征提取模型,通过在卷积神经网络的哈希层哈希编码实现查询计算。该方法基于深度哈希学习使得高维数据在向低维空间映射时,数据在高维空间的相似性能够在海明空间得到保持,使得高维数据在向低维空间映射时保持编码平衡准则,本发明对菊花数据集进行处理,增强数据集以增强模型泛化能力,并提高了图像
一种利用基于深度语义排序哈希编码的图像检索方法.pdf
本发明公开了一种利用基于深度语义排序哈希编码的图像检索方法,该方法包括以下步骤:将多标签图像数据集中的部分图像作为训练集,剩下的图像作为图像测试集;使用深度卷积神经网络来构建深度哈希函数;根据图像的多标签信息,构建出图像间的语义相似度排序;以基于三元组的代理排序损失函数做为实际的模型目标函数,并使用随机梯度下降法来优化深度哈希函数;用学习到的深度哈希函数计算图像的哈希码,通过计算测试图像的哈希码与训练集中每一个图像的哈希码之间的汉明距离来检索图像。本发明方法能够保留多标签图像在语义空间中的多级相似度,并且
基于深度哈希和GPU加速的大规模图像检索方法.pdf
本发明公开了基于深度哈希和GPU加速的大规模图像检索方法,该方法基于图片对的哈希方法,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;同时,采用局部连接模块取代量化网络的全连接层,减少特征之间的冗余信息。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。在汉明排序的基础上,实现了基于GPU的多层次并行检索方法。本发明不仅提高了检索精度,且能够在百万规模的图像库中完成单张检
一种基于无监督深度图像集合哈希的多标签图像检索方法.pdf
本发明提供一种基于无监督深度图像集合哈希的多标签图像检索方法,涉及图像检索技术领域。该方法将图像检索中获取的多标签数据集转化为多标签图像集合数据集,每个集合中的图片拥有完全相同的标签;利用VGG‑16网络对多标签图像集合数据集进行图像特征的提取;对第二个全连接层fc7层图像特征进行集合特征的计算;利用所有集合的集合特征进行语义结构的构建;利用平方损失函数进行哈希编码的学习,得到训练后的网络结构模型;利用训练后的网络结构模型实现进行多标签图像检索。本发明能更好保留同一集合中多个图像代表同一对象的特点,同时避
一种基于哈希编码的图像声音检索方法.pdf
一种基于哈希编码的图像声音检索方法。在预处理阶段,首先将声音通过快速傅里叶变换转化为语谱图,同时对转化后的语谱图以及原始的人脸图像进行旋转、对比度变换等数据增强操作;在训练阶段,将之前处理好的人脸图像以及语谱图传入一个经由ImageNet预训练的基于内容分类的神经网络中,自动将人脸和语谱图传递到各自模态的特征提取网络中。相比于传统方法,哈希编码大幅降低了检索消耗的时间,提升了系统执行效率;同时,对语谱图进行对比度增强可以抑制低频噪声,以及采用一个基于内容的样本分类器可以减少人为区分样本出错的概率,本方法在