由人工智能驱动的多功能融合框架,用于使用颜色,纹理和形状描述器检索图像

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:

• 数字视觉内容正在迅速扩大,需要先进的检索系统.
• 现有的基于内容的图像检索 (CBIR) 方法由于孤立的特征集而存在语义不匹配和低准确性.
• 提出了一个新的AI驱动框架来解决这些局限性.

研究的目的:

• 通过整合形式,纹理和颜色特征来开发一个改进的CBIR框架.
• 为了提高大图像数据集中的语义匹配和检索准确性.
• 创建一个更具可扩展性和高效的图像检索解决方案.

主要方法:

• 深度特征融合结合了色彩时刻,灰色水平共发生矩阵 (GLCM) 纹理,和富里埃/胡时刻的形式.
• 支持矢量机器 (SVM) 分类器和卷积神经网络 (CNN) 进行特征集成到学习相似空间中.
• 以注意力为导向的权重来动态调整基于查询上下文的特征重要性.

主要成果:

• 拟议的混合AI增强的CBIR模型在Corel-1K数据集上实现了92.3%的最大准确性.
• 在准确性,回忆和平均平均精度 (mAP) 方面表现优于标准CBIR模型.
• 在各种图像类别和噪音水平上观察到一致的性能.

结论:

• 综合人工智能方法显著提高了基于内容的图像检索准确性和语义相关性.
• 该框架为数字资产管理,医疗成像和多媒体搜索提供了可扩展的解决方案.
• 将深度学习与低级别视觉描述符相结合,是下一代图像检索系统的关键.