对于远程传感图像检索的深度相关性哈希.

科学领域:

• 地理空间信息科学 地理空间信息科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 遥感数据的快速增长需要有效的图像检索.
• 深度哈希方法为基于内容的遥感图像检索 (CBRSIR) 提供了计算效率和准确性.
• 现有的方法在训练数据不平衡和区分相似但不同的图像方面扎.

研究的目的:

• 为增强CBRSIR提出一种新的深度相关性哈希 (DRH) 方法.
• 为了解决数据不平衡和类别间混在远程传感深度哈希的局限性.
• 为了提高获取大规模遥感图像的准确性和效率.

主要方法:

• 开发了一种两阶段的方法:全球哈希学习模型 (GHLM) 和本地哈希重新排名模型 (LHRM).
• GHLM使用深度卷积神经网络,加权对对相似性损失来学习全球特征并生成哈希代码.
• LHRM使用轻量级的CNN来预测相关性得分,以重新排名相同哈明距离的检索图像.

主要成果:

• 拟议的DRH方法在三个基准数据集上表现出优越的性能,与其他深度哈希方法相比.
• 权重对相似性损失有效地解决了在训练期间容易和困难的图像对之间的不平衡.
• LHRM成功地减少了相同的哈明距离但不同类别的图像之间的混.

结论:

• 通过改进特征表示和重新排名策略,DRH显著提高了CBRSIR的有效性.
• 该方法为管理和检索大量遥感图像提供了强大的解决方案.
• 对于地理空间数据分析的深度哈希技术,DRH提供了一个有前途的进步.