基于CNN特征加权和区域整合的图像检索

摘要：

相比传统特征,卷积神经网络提取的特征对图像具有更强的描述能力,其卷积层比全连接层更适合用来检索图像.然而卷积特征是高维特征,若直接用来匹配图像会消耗大量的时间和内存.提出了一种新的改善和整合卷积特征,形成单维特征向量,再将其用于图像匹配的方法.首先,提取最后一个卷积层的三维特征,再对该卷积特征重新加权,突显图像的边缘信息和位置信息;其次,用滑动窗口进行处理,形成多个区域特征向量,再相加整合成全局特征向量;最后,用余弦距离衡量查询图和测试图的相似性得出检索的初始排名,并且用拓展查询方法进行重排得出最终的平均精度均值mAP.分别在Paris6k和Oxford5k数据库以及用100k张图扩展的Paris106k和Oxford105k数据库上进行测试.相对于CroW方法在Paris数据库上获得的mAP性能指标,本文方法提升了约3个百分点;在Oxford数据库上提升了约1个百分点.实验结果表明,新方法提取的全局特征能够更好地描述图像.

关键词：图像检索、卷积神经网络、全局特征、特征加权、区域整合

所属期刊栏目：41

分类号：TP391.4(计算技术、计算机技术)

资助基金：陕西省教育厅科研计划17JK0990

在线出版日期：2019-03-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：113-121