10.19734/j.issn.1001-3695.2021.11.0602
稀疏差分网络和多监督哈希用于高效图像检索
针对基于深度哈希的图像检索中卷积神经网络(CNN)特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH(sparse difference networks and multi-super-vised hashing),并将其用于高效图像检索.SDNMSH 以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习.稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成.稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取.同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH 的高效图像检索,采用一种多监督哈希(MSH)函数,并为此设计了一个目标函数.在MNIST、CIFAR-10和NUS-WIDE 三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能.
图像检索、特征提取、特征相关性、稀疏差分网络、多监督哈希
39
TP391(计算技术、计算机技术)
国家自然科学基金;山东省自然科学基金资助项目
2022-07-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
2217-2223