增强图像检索使用监督哈希的多尺度深度特征融合
Amina Belalia1, Kamel Belloulata2, Adil Redaoui2
1High School of Computer Sciences, Sidi Bel Abbes 22000, Algeria.
Journal of imaging
|January 24, 2025
概括
监督散列的多层次深度特征融合 (MDFF-SH) 通过结合结构和语义特征来增强图像检索. 这种新的方法显著提高了对基准数据集的检索准确度和精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 基于深度网络的散列对于高效的图像检索至关重要,产生紧的二进制表示.
- 现有的方法往往忽略结构细节,主要关注高级语义特征,这限制了检索准确性.
研究的目的:
- 引入监督散列的多尺度深度特征融合 (MDFF-SH),这是一个改进图像检索的新方法.
- 为了平衡结构信息的保存与获取精度的最大化.
主要方法:
- MDFF-SH将多尺度特征融合集成到监督散列中.
- 它将低层结构特征与来自多个卷积层的高层语义上下文结合在一起.
- 这种方法通过利用各种网络深度的特性来合成强大而紧的哈希代码.
主要成果:
- 在基准数据集 (CIFAR-10,NUS-WIDE,MS-COCO) 上,MDFF-SH表现优越.
- 在平均精度 (MAP) 中取得了显著的收益:在CIFAR-10上达到9.5%,在NUS-WIDE上达到5%,在MS-COCO上达到11.5%.
- 该方法有效地弥合了结构和语义信息,以提高检索效率.
结论:
- MDFF-SH为高精度的图像检索设定了新的标准.
- 多尺度特征的集成有效地保留了细粒度的细节和全球语义完整性.
- 这种方法提供了和的平衡,提高了检索精度和回忆.
