- 1、本文档被系统程序自动判定探测到侵权嫌疑,本站暂时做下架处理。
- 2、如果您确认为侵权,可联系本站左侧在线QQ客服请求删除。我们会保证在24小时内做出处理,应急电话:400-050-0827。
- 3、此文档由网友上传,因疑似侵权的原因,本站不提供该文档下载,只提供部分内容试读。如果您是出版社/作者,看到后可认领文档,您也可以联系本站进行批量认领。
摘要
图像检索中的深度度量学习方法研究
在互联网技术高速发展进步的环境下,图像数据在数量、类型等方面呈现出井喷
式的大幅度增长,这为图像检索近年来的蓬勃发展提供了背景支持,同时也带来了更
具挑战性的问题。如何针对不同类型图像的特点进行高区分性特征提取和相似性度量,
从而实现图像检索性能的提升一直是相关的难点和重点。伴随着深度学习技术的深入
发展,利用深度度量学习方法设计的高性能图像检索应用已然成为学术界和工业界关
注的热点方向。其中,有效损失函数的设计作为深度度量学习研究的重要组成部分,受
到了广大研究者的重视,产生了众多具有代表性的方法。本文围绕图像检索中深度度
量学习方法下的有效损失函数展开研究,主要工作如下:
1.讨论了基于样本对的损失函数,考虑到三元组损失已难以满足遥感图像检索中
高区分性深度特征提取的需求,本文根据泛化结构提升损失提出全局最优结构损失,
并将其应用在遥感图像检索任务中。该方法首先利用基于大边界最近邻LMNN的困难
样本采样策略进行有效样本收集,以此加快模型收敛速度;其次,通过为正负样本对的
相似度分别设置不同的边界阈值解决现有方法忽视类内结构的不足;再次,为损失函
数引入温度调节参数实现模型的全局优化,以弥补现有方法易陷入局部最优的缺陷。
最后,在遥感图像检索任务上测试了该方法的性能,实验结果证明:所提出的损失函数
在深度嵌入空间的高效性和鲁棒性的增强方面具有良好的表现力,在遥感图像检索任
务上成功提升了检索的速度和精度。
2.聚焦于图像检索中的深度度量学习方法,分析探索了其中基于样本对的损失函
数,提出一种普适的通用样本对损失框架,实现不同形式的损失函数的统一研究视角。
在所提框架下,损失函数均可被视为由样本对挖掘和加权两部分共同构成,分别从决
策边界设置、样本对挖掘和样本对加权三方面深入分析和研究了不同形式的损失函数,
指出了该框架下损失函数设计的关键影响因素并对这些影响因素进行了详细的分析和
说明。最后,本文基于该框架提出相似性排序损失,并分别在三个不同图像检索任务上
通过实验对该损失进行效果验证,证明了该方法的有效性。
3.针对基于样本代理的损失函数在细粒度图像检索中的研究现状,在代理-NCA++
损失的基础上,提出一种改进的优化代理交叉熵损失。该损失通过为样本的代理分配
概率设置一定的阈值,缓解网络模型训练中的过拟合问题,增强图像特征在深度嵌入
空间中的可区分性,达到高性能图像检索的目标。本文在细粒度图像检索任务上进行
了性能对比,结果表明本文提出的优化代理交叉熵损失函数在细粒度图像检索任务上
具有良好的表现力。
关键字:
图像检索,高区分性特征提取,相似性度量,深度学习,深度度量学习,损失函数
Focusingonthedeepmetriclearningmethodinimageretrieval,weexplorethepair-
Keywords:
Imageretrieval,highdiscriminationfeatureextraction,similaritymetric,deeplearning,
deepmetriclearning,lossfunction
目录
第1章绪论1
1.1研究背景与意义1
1.2国内外研究现状4
1.2.1图像检索中的高区分性特征提取4
1.2.2图像检索中的度量学习5
1.3本文主要研究内容与贡献6
1.4本文结构组织安排7
第2章相关工作9
2.1图像检索中深度特征提取的相关技术9
2.2图像检索中深度度量学习的相关技术11
2.2.1基于样本对的损失函数12
2.2.2基于样本代理的损失函数15
2.3数据集与评价指标16
2.3.1数据集16
2.3.2评价指标17
2.4本章小结18
第3章基于全局最优结构损失的深度特征提取方法设计
文档评论(0)