智能自适应学习和优化的功能聚类,以增强图像检索

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 信息检索 信息检索

背景情况:

• 基于内容的图像检索 (CBIR) 面临着巨大的多媒体数据挑战.
• 准确的特征差异对于有效的CBIR至关重要.
• 现有的方法在过早的融合和冗余激活方面扎.

研究的目的:

• 提出一种新的方法,SEGJO-EDCNN,用于增强CBIR.
• 改进特征聚类和图像检索中的匹配精度.
• 为了解决现有的CBIR技术的局限性.

主要方法:

• 开发了SEGJO (基于Scaling Factor和精英反对派学习的黄金子优化) 用于特征集群.
• 综合扩展因子 (SF) 和精英反对派学习 (EOL) 增强搜索并防止过早的融合.
• 使用本地二进制模式,Zernike时刻和颜色时刻来提取特征.
• 在一个称为EDCNN的卷积神经网络 (CNN) 中整合了一个基于的分歧 (ED) 函数,以改善匹配.

主要成果:

• 在Corel 5K和牛津花的数据集上,SEGJO-EDCNN表现出卓越的性能.
• 在Corel 5K数据集上实现了97.595%的平均平均精度 (MAP),表现优于ELNDP和DNN-SAR.
• 在牛津花朵数据集上获得了99.239%的MAP,超过了SVM-CBIR.

结论:

• 拟议的SEGJO-EDCNN方法显著提高了CBIR的业绩.
• 整合SF,EOL和EDCNN有效地提高了特征集群和检索准确度.
• 对于大规模图像检索日益增长的挑战,SEGJO-EDCNN提供了一个强大的解决方案.