基于深度学习的图像检索技术研究-计算机应用技术专业论文.docx

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他 个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密□， 在 年解密后适用本授权书。 不保密□。 （请在以上方框内打“√”） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 手机等移动设备的普及以及购物网站、社交网络的兴起，随之而来的是互联网 上的图像以爆炸性的方式增长。如何从海量图像中检索出相关信息，一直是图像检 索领域研究的热点问题，而特征选取的好坏则很大程度上影响到图像检索的性能。 深度学习通过逐层提取特征，已经在图像分类等计算机视觉方面取得了较好效果。 论文尝试将分类模型得到的特征用于图像检索领域，做了以下工作： 首先，对深层神经网络的基本结构和学习方法进行了研究，了解了卷积神经网 络各个隐含层的作用，然后具体分析了 LeNet 和 AlexNet 网络模型，同时对当前主 流的深度学习框架进行了研究。 其次，利用迁移学习思想对神经网络模型 Fine-tune，使得新的数据集能够利用 在其它数据集上训练好的模型。通过对模型训练过程的分析，证实 Fine-tune 的模型 在准确率和训练时间上都要优于直接训练的模型。通过对 Fine-tune 的模型提取的特 征和其它特征的实验对比，证实利用分类模型得到的特征依然具有较好的检索性能。 最后，为了构建高效的图像检索索引系统，首先对模型提取的特征利用 PCA 降 维，并通过实验证实降维后的特征具有更好的检索性能；然后利用哈希技术对特征 二值化，分别采用 PCA 降维二值化和分组降维二值化做了实验，实验证实二值化的 特征依然保持较好的检索性能；最后在 ImageNet 数据集上对检索性能作了进一步的 测试。 关键字：特征表示，深度学习，卷积神经网络，迁移学习 II II ABSTRACT With the popularity of mobile devices such as mobile phone and the rise of the shopping website and social network, online image has seen an explosive increasing. It has always been one of the hot issues of content-based image retrieval to retrieve relevant information, while the features selected directly affect the performance of retrieval. Deep learning has recently advanced the state-of-the-art in image classification by extracting features layer by layer. In order to adapt features extracted from classification model to image retrieval, we do the following work: First of all, the basic structure and learning methods of deep neural networks are studied and also a comprehensive of hidden layers of convolution neural network, a detailed analysis of LeNet and AlexNet network model, and the research on current mainstream deep learning framework. Secondly, use Transfer learning to Fine-tune neural network