论文部分内容阅读
本文提出一种将深度特征与传统手工特征进行融合的图像检索方法,并在相关图像数据集上验证该方法的有效性。首先,本文对深度全局特征进行研究。本文采用预训练的VGG16神经网络模型,并从中提取出瓶颈特征以及两个全连接层特征进行图像全局表示,并采用PCA降维,特征融合两种方式对其进行优化。其次,本文从同一个神经网络中提取出深度卷积特征。通过计算特征图的方差获取部件检测器并以此为基础计算空间权重,同时根据特征图稀疏程度为不同通道赋予不同权重。通过空间加权与通道加权的方法对卷积特征进行聚合,以获取全局图像表示,并与其他聚合方法进行检索对比,以显示该方法在图像检索上的优势。然后,本文针对传统手工特征进行编码。本文选择SIFT特征进行图像表示,然后利用VLAD方法对其进行全局化编码。在进行聚类获取码本的过程中,本文采用模糊聚类算法FCM替代传统的K-means聚类算法,并通过实验对比突出其优越性。而后对特征向量与聚类中心的残差进行累加,以获取图像特征的VLAD编码。接着本文提出一种将深度特征与手工特征进行融合的图像检索方法。将上述三种特征归一化后进行加权融合,并针对融合特征进行降维与白化处理。在进行图像特征相似性计算时,本文采用了查询扩展方法来进一步提升图像检索的准确性。最后,本文在不同的图像数据集上,通过实验对比本文采用的融合特征与其他方法之间的检索准确率,验证了该方法的可用性与有效性。