【基于深度学习的图像检索的主体设计概述1600字】_第1页
【基于深度学习的图像检索的主体设计概述1600字】_第2页
【基于深度学习的图像检索的主体设计概述1600字】_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

[29]。（3）Keras框架Keras是一个框架，也可以说它实质上是一个API。它支持快速实验，可以把idea快速转换成结果。Keras简单容易拓展，支持快速的原型设计。它支持CNN和RNN以及它们的结合，同时支持CPU和GPU。（4）相关反馈算法在实际的检索过程中，用户不断追求检索系统的检索效率和检索质量，为此，特给图像检索系统添加相关的反馈机制，即系统每次总是返回与当前用户输入的被检索图像最相近的检索结果。直至每轮迭代结束，系统将结果返回给用户。故在添加了反馈机制的图像检索系统中，用户可通过不断迭代，随时获得当前的最匹配图像集。相关反馈算法对即时性要求很高，该算法是一个人机交互的过程。在每次的迭代反馈过程中对于用户操作也具有较高要求，用户对返回信息的标准不同，则会影响系统的学习结果。关联反馈是一种对即时性要求很高的、采用了多级关联量表评价的人机交互过程。但用户需要的操作时间仍然很长，若用户每次按照不同标准打分仍会导致系统学习失败。因此，本文采用二值相关尺度进行评价。用户只需根据系统的检索结果，选择自己需要的图像信息，而无关图像的相关性强弱，极大减轻了用户的负担。1.1.3设计思路（1）寻找开源商品数据集；（2）对待检索图像进行图像去噪等预处理工作；（3）主要使用PCA提取商品图像的灰度特征；（4）将图像特征向量与图像集中的特征向量进行距离计算；（5）将距离计算的结果排序，并从图像集中查询，得到图像检索结果；（6）进行实验验证并且将初结果对比分析；（7）进行系统测试，并将记录实验的准确性；（8）多次修改参数尝试达到优化模型的目的；（9）将此系统与市面成熟类似系统的查找效率进行比对,并做出优化。1.2研究内容本文通过将成熟的各类传统的特征提取方法的优缺点进行对比，分析得出TBIR和CBIR的优缺点。从TBIR中获得用户需要检索图像的关键字，但检索效果受图像库编辑者主观影响较大。从CBIR中获取待检索图像的特征，但检索效果受被检索图像的背景、纹理等影响甚大，而基于深度学习的图像检索又具有比传统图像检索更高的检索效率。本文将深度学习的特征提取技术与传统的CBIR相结合，实现基于深度学习的图像检索系统。为提高系统的检索效率，系统中还添加了关键字反馈功能。本系统具备大量已进行过特征提取的图像集，当用户向检索系统中输入一张图像时，系统会首先对该图像进行特征描述，将图像的特征以文本形式反馈给用户供其选择。在用户选择其需要检索的图像特征信息后，系统根据

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论