基于全局与兴趣点特征的图像检索技术的中期报告.docx

基于全局与兴趣点特征的图像检索技术的中期报告
一、背景介绍
随着深度学习和计算机视觉技术的迅速发展，图像检索技术的研究和应用越来越广泛。传统的图像检索技术主要基于图片的视觉信息，而忽略了纹理、颜色、亮度等图片可能包含的其他信息。
因此，基于全局与兴趣点特征的图像检索技术得以提出，以改进以往技术的不足，并为图像检索应用拓宽途径。
二、研究内容
本次中期报告的研究内容主要包括以下三个方面：
1.全局特征提取：利用深度卷积神经网络，提取图像的全局特征。目前主要采用的是ResNet、VGGNet等视觉特征提取模型，实验结果表明其表现良好。
2.兴趣点特征提取：检测与描述图像的兴趣点，提取与兴趣点相关的局部特征。采用SIFT、SURF等算法。这种方法的优点是可以提取图像中的关键局部信息，且对图像变形、旋转等具有较高的鲁棒性。
3.特征融合：将全局特征与局部特征综合起来，构建更加细致、强大的图像特征表示。这部分的研究较为关键，需要精细调参，以获得最好的效果。
三、研究进展
在前期的研究中，我们已经完成了ResNet、SIFT算法的调参和实验，并在常用的图像数据集上进行了测试。实验结果表明，采用全局特征和兴趣点特征的图像检索技术，在一定程度上提升了检索精度，尤其是对于一些复杂变形的图像，其表现明显优于传统技术。
接下来，我们将进一步探究特征融合的方法，并尝试采用其他视觉特征提取模型和算法，在更加广泛的数据集上进行实验，以验证我们所提出技术的可行性和实用性。
四、研究意义
基于全局与兴趣点特征的图像检索技术应用广泛，比如图像拍摄、图库管理、图像搜索、智能安防等领域。随着技术的不断完善和发展，相信这一技术必将对我们的生产和生活带来更多便利和贡献。