摘要：近期,许多学者开始结合深度网络进行图像处理,与传统的基于人工抽取的特征相比,由深度卷积网络提取的特征更为准确,效果更好。因此,提出了一种结合卷积神经网络和哈希算法的深度网络架构,用于大规模图像检索。一方面,为了更好地保持哈希编码之间的语义相似性,引入了多任务学习机制,将图像分类信息和图像间的相似度信息同时用于模型的训练,并且根据信息熵理论,训练过程中使哈希编码尽可能地维持均匀分布以增加信息量;另一方面,提出了一种多尺度融合池化方法(multi-scale fusion pooling,MSFP),融合图像中多种尺度的区域信息,提升了检索性能,同时明显地减少了网络参数。在SVHN、CIFAR-10和NUSWIDE等数据集上的实验结果表明,提出的算法与现有的基准算法相比,检索效果具有明显改善。
分类：期刊> 自然科学与工程技术> 信息科技> 电子信息科学综合
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > Pж(AJ) 文摘杂志(俄) > 哥白尼索引(波兰) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：图像检索 卷积神经网络 池化 哈希编码
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
