论文部分内容阅读
随着大数据时代的到来,采集设备的便利,网络上传播的图像数据迅速增长。如何在海量的图像库中检索出与已知图片相似语义信息的图片是图像检索算法主要的任务。图像哈希编码算法是一种广泛使用的图像检索算法,它设计哈希函数将图像转换为哈希编码,从而能够实现降低存储空间、提高图像检索效率的需求。近年来深度学习的迅速发展,影响着计算机视觉的各个领域。深度学习方法与图像哈希编码算法的结合,较于传统哈希编码算法,大大地提升了准确性、鲁棒性和可拓展性,它使得检索更为高效。本文探索基于深度学习的图像哈希编码算法研究,旨在提升图像检索的准确性和检索效率的目标。在有监督和无监督的场景中,本文对哈希编码算法在结构和训练方法上进行创新设计,提出解决方案。论文的主要工作如下:首先,为了解决数据不平衡问题和困难样本优化问题,提出一种基于成对优化损失和扰动提升模块的有监督图像哈希编码学习算法。设计了一个成对图像输入的有监督深度哈希结构,该结构采用成对优化损失函数来衡量由成对图像标签引导的哈希编码的编码质量。使用生成对抗网络来生成相似图像或不相似图像,从而逼迫深度哈希结构产生更加鲁棒的哈希编码。设置迭代近似量化训练方式,在迭代训练的过程中让编码越来越趋近于二值化,从而降低量化误差。其次,针对无类标数据提出一种基于深度自编码器的两阶段无监督图像哈希编码算法。该算法不同于单一的训练方式,使用两阶段迭代训练过程,第一阶段训练使用重构的内容损失函数和二值松弛约束来训练自编码器,第二阶段训练采用更多约束,并使用反向传播算法迭代更新参数,以使生成的二值编码更加平衡,独立且接近二值化。深度自编码器的特征提取特性和充分的带约束迭代训练,能够保证生成的哈希编码在每一次迭代训练中都能得到更优的结果。最后,本文提出了一种基于哈希损失和生成对抗网络的无监督深度哈希编码算法。将条件生成对抗网络与无监督深度哈希编码方法进行结合,并对哈希编码添加二值松弛约束、编码平衡损失、编码独立损失构成的哈希损失,通过图像对生成过程,生成用于计算成对图片对损失的合成图像,从而达到优化编码器的效果。实验表明算法取得了较好的效果,各步骤关键技术的重要性也在对比试验中得到充分验证。