深度图像功能用于复杂的卷积神经网络和跨域基准的多层融合传感

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:

• 基于内容的图像检索 (CBIR) 依赖于原始图像签名和特征向量进行分类.
• 在数字时代,从不同的数据集中有效地检索是必不可少的.

研究的目的:

• 开发一种独特的特征识别技术,以改善图像检索.
• 通过提取深度图像特征来增强检索系统的辨别能力.

主要方法:

• 一种基于抑制和像素导数的新型特征识别技术,用于定位感兴趣点.
• 尺度空间插值结合颜色,形状和对象信息.
• 使用高方差系数的基于对象的特征向量,转换为视觉词袋 (BoVW).
• 卷积神经网络 (CNN) 的多层融合,用于深度特征提取 (原始,空间,叠加).

主要成果:

• 在标准数据集 (ALOT,Cifar-10,Corel-10k,热带水果,Zubud) 上进行了广泛的实验,显示出显著的改善.
• 在精度,回忆,平均精度/回忆和平均平均精度/回忆方面取得了显著的改进.

结论:

• 传统的特征提取与多层CNN集成,使图像传感和检索进步.
• 拟议的方法提供了更准确,更有效的图像检索解决方案.