【《卷积神经网络在图像检索中的应用及结果分析案例》3700字】

[30]如表5-1所示：表5-1CNN-1在图像库上的实验结果方法平均准确率平均查全率CNN-170.3%66.4%栈式自编码网络68.5%63.7%颜色矩58.5%51.1%灰度共生矩阵62.4%56.6%SIFT66.6%58.2%通过上面的对比，不难看出，基于CNN的图像检索系统检索的平均准确率和平均查全率都比较理想。其检索的平均准确率70%以上，平均查全率也超过了栈式自编码网络的检索结果。检索效率整体上看比其他几种检索方式都有提升。基于CNN的特征提取方法是将图像分为小的像素点进行学习，接着使用卷积运算来达到提取图像特征的目的。所以，若想提升此类图像检索系统的检索效率，我们可以从提升数据集质量和网络训练模型质量两方面着手。同时，又通过高层对底层多个特征图的随机组合，希望以此得到更具体、更有效的特征。2.1.2CNN-2在图像库上的实验结果CNN-2在图像检索系统中的平均检索准确率和平均查全率如表5-2所示。表5-2CNN-2在图像库上的实验结果方法平均准确率平均查全率CNN-267.6%61.5%CNN-170.3%66.4%栈式自编码网络68.5%63.7%通过调整网络的学习速率(σ)，达到优化网络对特征的学习效果。σ越大，则说明训练过程中CNN收敛地越快，反之则说明收敛地慢。本文将σ调整至0.0005和0.0002，达到了提升检索效率的目的。检索结果如表5-3所示。表5-3CNN-1在不同学习率下的训练时长方法训练时长CNN-1(σ=0.001QUOTEσ=0.001)10.5(h)CNN-1(σ=0.0005QUOTEσ=0.0005)16.4(h)CNN-1(σ=0.0002QUOTEσ=0.0002)20.8(h)2.1.3实验结果对比根据不同网络模型的检索结果，分别计算出它们的平均检索准确率和查全率，如下表5-4所示。σ=0.0002各类图像检索系统在每类图像上的检索查全率如图5-1所示，σ=0.0005各类图像检索系统在每类图像上的检索查全率如图5-2所示。表5-4各种图像检索系统性能比较方法平均准确率平均查全率CNN-1(QUOTEσ=0.0002σ=0.0002)71.6%70.2%栈式自编码网络68.5%63.7%颜色矩58.5%51.1%灰度共生矩阵62.4%56.6%SIFT66.6%58.1%这几个图表中，通过将传统的图像检索方法的检索效率与基于深度学习的图像检索系统的检索效率进行对比。很明显，基于深度学习的图像检索系统具有更高的检索效率。基于深度学习的检索方式，不需要特征描述算子，而使用自主学习图像特征的方式，更具健壮性。对比栈式自编码神经网络，不难发现，栈式自编码神经网络的网络架构设计非常简单。由于其网络层之间的全连接形式，导致训练起来比较繁琐。CNN的神经网络的网络架构比较复杂，网络结构不如栈式自编码神经网络简单。由于其各层之间是局部连接，而由于CNN具有权值共享机制，整个网络需要训练的参数整体较少，故其训练难度较低。基于CNN的图像检索系统对于大象的一次检索结果展示如图5-3所示。表5-5各种图像检索系统在每类图像上的检索查全率类别CNN-1(σ=0.0002)CNN-1(σ=0.0005QUOTEσ=0.0002)栈式自编码网络基于颜色矩基于灰度共生矩阵基于SIFT衣服73.6%69.6%62.5%51.6%53.5%59.3%海滩68.5%63.5%57.4%43.7%51.6%51.5%建筑70.1%61.2%58.3%42.8%53.7%61.3%山70.8%62.1%59.7%43.4%53.5%57.4%大象76.9%72.2%62.2%48.8%56.9%52.4%恐龙80.2%76.4%70.5%59.6%63.5%62.2%花78.7%71.9%68.1%57.8%57.6%60.3%马79.6%76.6%70.2%57.2%60.1%57.1%车77.8%72.9%66.4%52.6%58.4%58.2%食物69.5%66.1%58.8%50.3%51.4%52.5%图5-1CNN-1（σ=0.0002）各类图像检索系统在每类图像上的检索查全率图5-2CNN-1（σ=0.0005）各类图像检索系统在每类图像上的检索查全率图5-3图像检索系统检索结果2.2存在的不足虽然基于深度学习的图像检索技术在当今世界的应用极为广泛，生活中出现了许多基于此技术的系统，但是距离实现商品检索、医疗影像识别等大规模应用方式还存在距离。图像检索技术还需要进行不断突破，如提高检索效率、在特征提取上更贴近现实等。只有将该图像检索技术真正应用于实际生活中，才算是真正的成功。（1）应加强对于图像特征提取算法的研究，尤其是在提取图像局部特征的方法上的研究。现如今，特征提取方法多种多样，但大多侧重于对于图像全局特征的提取，往往忽略了对于图像局部特征的提取部分，给系统造成了较大的局限性。我们要在关注图像全局特征的基础上，大大提升对于图像局部特征的关注程度。（2）数据集规模不够，导致无法较好的训练测试且搜索效率不够理想；（3）未能找到合适的去除图像背景的算法。图像检索系统运用于生活中，人们上传的图像往往是具有复杂背景的在自然环境中生成的图像，排除图像分辨率不谈，研究去除图像背景的算法也至关重要，是图像检索技术在未来研究的一个重要方向；（4）无法确定目前