基于深度學習的圖像語義提取與圖像檢索技術研究.pdf

1、隨著移動互聯網技術的飛速發(fā)展和智能手機廣泛普及，用戶每天都會上傳分享海量的圖像。如何讓用戶在海量的數據中準確地找到自己真正需要的信息，讓企業(yè)有效地整合其龐大的圖像數據資源，是當前很重要的研究課題。然而，傳統的基于內容的圖像檢索技術是基于圖像底層視覺特征的，和人對圖像的認知存在著巨大的“語義鴻溝”問題。因此，為了解決“語義鴻溝”問題而提出的基于語義的圖像檢索成為圖像檢索領域中急需解決的關鍵問題之一。
　　深度學習是在借鑒人腦視覺機制

2、的基礎上發(fā)展起來的，和人腦視覺機制一樣，也是逐層迭代、逐層抽象的過程。深度學習最大的優(yōu)勢是可以自主學習圖像特征，從最底層的方向邊緣特征到物體結構特征直至更抽象的特征。針對語義鴻溝問題，本論文基于深度學習理論，構建一個從圖像底層視覺特征到高級語義特征逐層迭代、逐層抽象的深度網絡映射模型，旨在減小語義鴻溝，得到圖像語義特征提取系統，并深入研究圖像語義相似性度量，為大規(guī)模圖像自動標注提供良好的基礎，實現基于語義的圖像檢索技術，真正有效地利用海

3、量的圖像信息資源。本論文的主要工作如下：
　?。?）針對圖像檢索中語義鴻溝問題，將深度學習應用到圖像語義特征提取中，構建圖像底層視覺特征到高級語義特征逐層迭代、逐層抽象的映射模型。
　?。?）針對標簽數據資源有限、無法支撐起深度網絡訓練的現實情況，提出了一種無監(jiān)督的深度學習算法。先利用稀疏降噪自動編碼器無監(jiān)督地學習得到卷積核（對應于視覺機制中的感受野），然后利用遷移學習理論，把學習得到的卷積核傳遞給卷積神經網絡。對于卷積核的

4、個數和池化尺度對于圖像分類準確率的影響做了深入研究。同時，采取了多級分類器級聯的方法來提高分類準確率。若移除最后分類器模塊，則可以把其當成一個圖像語義特征提取器，根據圖像相似性度量方法，可以得到各圖像之間的相似度，實現快速圖像檢索。
　?。?）基于深度學習理論，提出了一種樸素的基于深度學習的圖像標注方法。利用訓練好的深度卷積神經網絡提取待標注圖像的語義特征，然后利用相似性度量得到基準庫中最相近一些的圖像，根據這些圖像的自帶標簽對待