1. 研究目的与意义（文献综述）
基于内容的图像检索是相对成熟的技术领域，在各界都有着广泛的应用。而图像的特征学习模型是基于内容的图像检索的关键部分，在现有的特征选择研究中，大多是在离线情况下进行的。这种离线操作主要对目标数据集中的图像进行批量预处理，批量解析提取局部特征描述，对这些特征描述进行聚类，聚类后得到的质心为聚类单词，进而建立当前数据集的视觉词库。构建词库在整个检索系统生命周期开始阶段实施，一般情况仅执行一次，是针对目标检索文本数据集进行的非频繁性操作。
这是在假设训练样本集及所有特征信息都已经预先获取的情况下，然而这种假设并不一定成立。随着近年来互联网急速发展，各行各业产生的数据集都呈现着爆炸式增长趋势，这些数据更多的是一种动态的流数据形态。大量训练样本集可能以连续的方式到达，如果每个样本都要以传统的离线方式学习图像特征，代价非常高。因此，数据的增长速度已经远超过这种技术的处理能力，在上述情形下离线的数据处理方式是不可取的。
所以在此基础上，越来越多的研究集中用在线学习的方案代替线下参数学习。在线学习算法的本质是利用在线学习技术从数据中挖掘重要特征，通过学习构建一个有效预测模型，使其能对新接受的数据进行准确的预测。近年来涌现出多种在线学习算法，它们虽然表现形式各不相同但都遵循统一的算法框架。对于求解线性二分类问题的0la而言，其目标是建立一个以w∈r为参数的预测模型(在学习问题中，w通常称为权重向量)，进而通过该模型对新接受样本的类别进行预测。然而在具体算法设计中，不同的模型更新方式形成了多种在线学习算法。根据解决问题类型不同，现有的在线学习算法大致可分为以下四类[8]:
2. 研究的基本内容与方案
针对现在基于在线学习的图像检索仍有许多值得改进的方面，本次的研究目标为：研究一种基于监督学习的在线学习方法，来解决图像数据库中数据不断更新的问题。
此次设计致力于以下内容：
1.研究高效的在线图像特征学习模型，尽可能准确的根据已有信息对未来数据进行有效的模型预测
3. 研究计划与安排
2.24—3.20 阅读文献，撰写开题报告，进行外文文献翻译
3.21—4.5 选定恰当的研究方法，写出设计思路，完成论文综述
4.6—4.26 模型算法，编写代码
4. 参考文献（12篇以上）
[1] yao t, han y, wang r, et al.efficient discrete supervised hashing for large-scale cross-modal retrieval[j].neurocomputing, 2019, 385 (2020): 358–367.
[2] cakir f , bargal s a , sclaroff s . online supervised hashingfor ever-growing datasets[j]. computer science, 2015:823-826.
[3] cakir f, bargal s a,sclaroff s. online supervised hashing[j]. computer vision and imageunderstanding, 2017, 156: 162-173.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
