卷积微调值Adaboost方法用于有效的基于内容的图像检索

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) 对于管理电子商务和医疗保健等行业的大型视觉数据集至关重要.
• 传统的CBIR方法难以提取高层次的语义信息,导致未达到最佳的检索结果.
• 需要提高图像搜索准确性和效率是多媒体数据管理的一个重大挑战.

研究的目的:

• 为提高基于内容的图像检索 (CBIR) 性能引入一种新的卷积微调值调整 (CFTAB) 方法.
• 解决传统CBIR技术在提取相关高层图像特征方面的局限性.
• 通过混合深度学习和机器学习模型提高图像搜索的准确性和效率.

主要方法:

• 图像数据预处理使用自适应式直方形平衡 (AHE).
• 从本地化图像数据中提取特征,使用VGG16模型.
• 引入一种新的Convolutional Fine-Tuned Threshold Adaboost (CFTAB) 方法,将深度学习和机器学习整合在一起.
• 整合了改进的Adaboost (AB) 算法,用于优化分类器的动态值调整.

主要成果:

• 拟议的CFTAB方法在基于内容的图像检索中表现出更好的性能.
• 深度学习 (VGG16) 和机器学习 (CFTAB) 的整合显著提高了图像搜索质量.
• 在AB算法中的动态值调整优化了分类器训练和检索结果.
• 该CFTAB方法有效地提取高层特征,以获得更相关的图像检索.

结论:

• 新型CFTAB方法在基于内容的图像检索 (CBIR) 系统中提供了显著的进步.
• 混合深度和机器学习模型为复杂的图像搜索任务提供了卓越的性能.
• 机器学习分类器中的动态值对于优化检索准确性是有效的.