全文总字数：9980字
1. 研究目的与意义（文献综述）
1、目的及意义（含国内外的研究现状分析）
1.1 研究目的及意义
图像是日常生活中的重要组成部分。随着数字图像数据的迅速增长，图像所传递的信息愈加丰富生动，故而对用于管理和利用这些数据的有效且高效的图像检索工具有很高的需求。图像检索在地理信息卫星系统，医学诊断，工业检查，生物识别，网络搜索和历史研究等不同领域中发挥着重要作用。同时深度学习在信息检索和图像处理方面得到广泛的应用，深度学习下的图像检索能提取图像的更加有效信息，提高检索的准确性。尽管深度学习方法在图像分类领域有着显著的成果，但在图像检索领域还存在挑战。因此基于深度学习的图像检索就成为一个前沿的有价值的研究课题之一。
2. 研究的基本内容与方案
2.1基于深度度量学习的图像检索框架
本文提出了一种基于深度度量学习的图像检索系统，它是通过从数据集的图像中提取的特征来表示项目，并在基于内容的图像检索系统中利用这些特征。该方法包含特征提取，相似性度量，相关性反馈三个核心部分。第一阶段提取图像特征以描述查询图像和检索图像的物理对象和场景。第二阶段基于特征向量计算查询图像和每个检索图像之间的视觉相似度，返回按相似度排序的列表。若测量图像与内容关系的效果不佳，则加入第三阶段相关性反馈来修改初始排名。该系统是一种基于由convnet提取的深层语义特征进行相似性度量的检索方法。本文实现一个自动化系统，可以自动提取数据集中图像的深层特征并学习用户偏好，在相似性度量后根据结果和用户建议提供适当的相关性反馈。本文所设计的系统主要涉及三个模块，分别为特征提取，相似性度量，相关性反馈。其整体结构框图如图1所示。首先，通过深度学习框架pytorch构建convnet提取图像的特征向量。将图像三元组数据分别馈入三个相同的cnn（仅具有卷积层）以生成特征图，然后通过全局平均池（gap）将其矢量化，最后对嵌入矢量进行正则化以计算损失函数。最后，根据相对和绝对损失函数计算图像之间的相似度，并通过用户意见对得分进行修改，返回得分高的top-n图像作为检索结果。
3. 研究计划与安排
3进度安排
第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告；
第4－5周：掌握python的基本原理与应用，实现pytorch环境在基于深度学习的图像处理方面的搭建，熟悉pytorch中相关接口的调配，各模块的组装，相关神经网络包的构造。完成英文资料的翻译；
4. 参考文献（12篇以上）
4 参考文献
[1]waltner g, opitz m, possegger h, et al. hibster: hierarchicalboosted deep metric learning for image retrieval[c]. ieee conference onapplications of computer vision (wacv), hawaii, usa, winter.2019, pp. 599-608.
-
[2] ge w. deep metric learning with hierarchical triplet loss[c].proceedings of the european conference on computer vision (eccv), munich,german, september. 2018, pp. 269-285.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
