基于深度CNN特征的安全图像检索
论文名称：《基于深度CNN特征的安全图像检索》
指导教师：崔江涛
论文作者：魏志伟
毕业院校：西安电子科技大学
文章内容概要
- 从基于特征重构图像、 CBIR和安全图像检索 和安全图像检索 三方面介绍了相关的研究现 状
- 阐述 了基于CNN特征的图像检索相关知识以及实现安全高效查询的SANN方法的相关知识
- 提出了基于CNN分类 层特征的图像检索算法
- 针对CNN特征保护提出了基于SANN的大规模安全图像检索框架
- 验证高效性，高精度和对不同CNN模型特征和SANN方法具有通用性
基于卷积神经网络的图像检索概述
- 在离线模式中，通过CNN 对目标域数据集进行特征学习，然后利用训练好的CNN 模型提取代表图像的特征构建数据库
- CNN 可以构建低级像素与高级语义概念间的桥梁，其本质是学习数据的分布
- 在完成对CNN 在目标检索任务上的训练之后需要对每张图像提取特征来构建查询数据库
- CNN 主要由输入层、隐藏层和输出层组成。由于隐藏层中使用了卷积和池化的操作，从而极大减少了网络中参数的数量，从而防止过拟合，并且可以堆叠更多的网络层数加深网络从而增强整个模型的表达能力
- 安全近似最近邻检索概述
- 局部敏感哈希（ LSH: Locality Sensitive Hasing）技术作为 ANN中一种广泛使用 中一种广泛使用 的基础工具， 适用于海量高维数据的检索任务
- RS-SANN[48]中设计了一种复合哈希函数 G𝑚(𝑣)来生成 来生成 符合 z-顺序风格的线序编码
- B树是一种高效的树状索引结构，它可以对数据进行排序和存储，并允许在排序和存储在O(logn)的时间复杂度内实现查找
- 语义保留的深度监督哈希
- 在目标数据集上微调包含哈希层的 CNN模型
- 通过训练好的 CNN对图像集提取哈希层特征，然后根据阈值将其离散化为对图像集提取哈希层特征，然后根据阈值将其离散化为二值哈希码
- 对提交的查询图像通过CNN提取二值哈希码，然后通过汉明距离与数提取二值哈希码
大规模安全图像检索算法
- 基于CNN特征的图像检索方案大都是通过 CNN全连接层提取的特征来作为表示图像的全局向量，然后通过欧氏距离进行度为表示图像的全局向量
- CNN 顶层所学习的特征作为一种良好的全局描述符，可以很好地解决图像检索问题
- CNN特征是一个高维的特征向量，通过暴力搜索的方式进行图像检索在数据规模较大 时会产生维度灾难
卷积神经网络-CNN
- 能够有效的将大数据量的图片降维成小数据量
- 能够有效的保留图片特征，符合图片处理的原则
- 卷积层 – 主要作用是保留图片的特征
- 池化层 – 主要作用是把数据降维，可以有效的避免过拟合
- 全连接层 – 根据不同任务输出我们想要的结果
