基于深度卷积网络的明星图像爬取和检索研究文献综述
2020-04-18 08:04
近年来,基于内容的图像检索技术迅速发展,取得了大量的研究成果。
CBIR 大致检索流程是通过提取诸如图像颜色、纹理、形状等图像底层特 征,计算待检图像与已经构建好的图像特征库的距离,返回与 待检图像最为相同或相似的图像。
但底层特征与高层语义之间 存在语义鸿沟,不能准确反映出用户的检索意图。
支持向量机(support vector machine)对于有限样本数据具有良好的推广能力,可以有效地改善图像检索结果。
随着社会信息技术高速发展以及大数据时代的到来,图片不仅数量之多,而且图片内容也变得复杂多样,基于文本与内容的检索技术已无法满足用户的需求。
深度学习源于人工神经网络,它可实现输入信息的分级表达,并且将神经网络浅层次学习转变到深度学习, 使其能够挖掘数据深层次的特征, 让特征更精确地表达数据,进而提高神经网络对数据的学习能力。
根据深层神经网络的构造结构以及训练方法的不同可分为三个大类型:生成深层结构、判别深层结构以及混合深层结构。
本文所研究的卷积神经网络属于判别深层结构。
传统的卷积神经网络(CNN)通常会丢弃负值特征信息, 进而影响着图像分类的效果针对 CNN 更好地学习图像特征的问题, 对传统的CNN模型进行改进, 提出Supplement CNN模型。
首先将卷积层得到的特征图取反, 并同原特征图一起作用。