面向檢索的多視覺特征融合.pdf

1、近幾十年來，伴隨著互聯(lián)網(wǎng)的快速發(fā)展以及智能終端的普及，互聯(lián)網(wǎng)上數(shù)字圖像的數(shù)量呈現(xiàn)爆炸式增長。面對海量的圖像信息，如何快速高效地檢索這些圖像一直是學(xué)術(shù)界和工業(yè)界研究的熱點課題。圖像的特征表達是基于內(nèi)容的圖像檢索的最基本問題之一。為了提升檢索的準確度，研究人員從顏色、紋理等不同的角度提出不同的視覺特征表達來表征圖像。選擇不同的視覺特征對于圖像檢索的準確度有很大的影響。一般來說，采用具有一定互補性的多種特征進行融合是提升圖像檢索準確度的一種方

2、法。
　　為了把基于不同特征得到的圖像檢索結(jié)果融合在一起，我們有兩個關(guān)鍵的問題需要解決。
　　第一個關(guān)鍵問題是如何使基于不同特征空間的距離度量是可比擬的。因為通常使用不同的特征，如SIFT，HSV，CNN特征，算得的距離是不在一個尺度空間的。直接把不在一個尺度空間的“距離”進行相加是不合適的。
　　第二個需要關(guān)注的關(guān)鍵的問題是，如何自適應(yīng)的度量不同的特征的有效性。因為對于某些查詢圖像來說，局部特征就能取得較好的檢索結(jié)果

3、。然而對于另外某些查詢圖像，用全局特征比如CNN特征才能夠得到比較好的檢索結(jié)果。對于同一個查詢圖像，我們需要比較并量化不同特征的有效性。
　　基于上面的兩個關(guān)鍵點，我們的工作主要歸納如下:
　　(1)基于圖模型的自適應(yīng)加權(quán)特征融合方法。在此方法中，圖模型把本來在不同尺度空間的距離度量，都統(tǒng)一到一個Graph里面，并用統(tǒng)一的度量方法Jaccard系數(shù)來度量各個圖片之間的相似度。同時為了衡量不同特征的有效性，我們使用PageRa

4、nk算法對不同特征構(gòu)建的圖進行分析，并根據(jù)最后得到的PageRank值的分布來衡量不同特征的有效性。最后根據(jù)特征對特定檢索圖像的有效性，完成不同特征構(gòu)建的圖的自適應(yīng)加權(quán)融合。根據(jù)最后融合得到的圖，我們解出最后的圖片檢索排序。
　　(2)基于鄰域相似度分布的自適應(yīng)多特征融合方法。該方法是根據(jù)圖像在給定的視覺特征下的近鄰空間的分布情況，來進行特征融合。不同特征對于一個具體的查詢圖像得到的k近鄰的距離空間分布是不一樣的。我們通過探索k近