相关实验视频
Updated: Jun 1, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
使用深度学习技术的图像检索系统的性能分析
Selvalakshmi B1, Hemalatha K2, Kumarganesh S3
1Department of Computer Science and Engineering, Tagore Engineering College, Chennai, Tamil Nadu, India.
Network (Bristol, England)
|January 20, 2025
概括
这项研究引入了深度学习方法,以实现更快,更准确的图像检索. 拟议的检索卷积神经网络 (RETCNN) 系统有效地检索通用和医疗图像,具有高精度和回忆.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 传统的基于内容的图像检索 (CBIR) 系统在处理各种图像类型 (颜色与灰度) 时面临着复杂性和局限性.
- 现有的CBIR方法可能耗时,影响从大型数据集中检索相关图像的效率.
- 需要先进的图像检索系统,这些系统既准确又高效,适用于各种图像类别.
研究的目的:
- 使用深度学习开发一个高效和准确的图像检索系统.
- 克服传统CBIR系统在处理不同图像类型和处理时间方面的局限性.
- 为了提高图像检索的性能,用于一般图像 (GI) 和医疗图像 (MI).
主要方法:
- 设计了一个深度学习架构,包括一个特征计算模块和一个检索卷积神经网络 (RETCNN) 模块.
- 实现了远程计算算法,以计算查询图像和数据集图像之间的相似性.
- 拟议的系统在通用图像 (GI) 和医疗图像 (MI) 数据集上进行了评估.
主要成果:
- 基于RETCNN的系统实现了一般图像的高平均精度和回忆率 (分别为98.98%和99.15%).
- 对于医疗图像,该系统表现出色,平均精度和回忆率分别为99.04%和98.89%.
- 实验结果表明,与传统方法相比,图像检索率显著提高.
结论:
- 拟议的基于RETCNN的基于内容的图像检索系统为高效和准确的图像检索提供了卓越的解决方案.
- 深度学习方法有效地解决了传统CBIR系统的局限性,特别是在处理各种图像类型时.
- 该系统在检索一般和医疗图像方面的高性能凸显了其多功能性和有效性.
