有效的图像检索使用层次的K-Means集群
Dayoung Park1, Youngbae Hwang1
1Department of Control and Robot Engineering, Chungbuk National University, Cheongju 28644, Republic of Korea.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究引入了层次化的K-means集群,以实现更快的基于内容的图像检索 (CBIR). 该方法通过高效地组织图像描述符来显著加快图像搜索速度,从而提高了各种模型的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 基于内容的图像检索 (CBIR) 旨在使用其内容找到类似的图像.
- 当前的方法经常将图像编码为全球描述符,用于相似性比较.
- 有效地组织这些描述符对于优化检索速度至关重要.
研究的目的:
- 提出一个优化的图像检索方法,使用层次的K-means集群.
- 为了提高组织图像描述器在数据库中的效率.
- 为了提高图像检索系统的速度-准确性权衡.
主要方法:
- 实施层次化的K-means集群来组织图像描述器.
- 查询描述符和叶节点中的描述符之间的计算相似性.
- 使用三个树搜索算法来实现可调速精度平衡.
主要成果:
- 显著提高了图像检索速度.
- 在店内数据集上实现了18倍的速度改进.
- 保存了超过99%的准确性,同时增加了检索速度.
结论:
- 层次化的K-means集群有效地优化图像描述器组织,以更快的CBIR.
- 拟议的方法提供了实质性的速度增长与最小的准确性损失.
- 在不同的模型 (UNICOM,R-GeM) 和数据集中验证了有效性.


