本文主要研究内容
作者彭晏飞,宋晓男,武宏,訾玲玲（2019）在《结合深度学习与相关反馈的遥感图像检索》一文中研究指出：目的针对基于内容的图像检索存在低层视觉特征与用户对图像理解的高层语义不一致、图像检索的精度较低以及传统的分类方法准确度低等问题,提出一种基于卷积神经网络和相关反馈支持向量机的遥感图像检索方法。方法通过对比度受限直方图均衡化算法对遥感图像进行预处理,限制遥感图像噪声的放大,采用自学习能力良好的卷积神经网络对遥感图像进行多层神经网络的监督学习提取丰富的图像特征,并将支持向量机作为基分类器,根据测试样本数据到分类超平面的距离进行排序得到检索结果,最后采用相关反馈策略对检索结果进行重新调整。结果在UC Merced Land-Use遥感图像数据集上进行图像检索实验,在mAP(mean average precision)精度指标上,当检索返回图像数为100时,本文方法比LSH(locality sensitive Hashing)方法提高了29. 4%,比DSH(density sensitive Hashing)方法提高了37. 2%,比EMR(efficient manifold ranking)方法提高了68. 8%,比未添加反馈和训练集筛选的SVM(support vector machine)方法提高了3. 5%,对于平均检索速度,本文方法比对比方法中m AP精度最高的方法提高了4倍,针对复杂的遥感图像数据,本文方法的检索效果较其他方法表现出色。结论本文提出了一种以距离评价标准为核心的反馈策略,以提高检索精度,并采用多距离结合的Top-k排序方法合理筛选训练集,以提高检索速度,本文方法可以广泛应用于人脸识别和目标跟踪等领域,对提升检索性能具有重要意义。
Abstract
mu de zhen dui ji yu nei rong de tu xiang jian suo cun zai di ceng shi jiao te zheng yu yong hu dui tu xiang li jie de gao ceng yu yi bu yi zhi 、tu xiang jian suo de jing du jiao di yi ji chuan tong de fen lei fang fa zhun que du di deng wen ti ,di chu yi chong ji yu juan ji shen jing wang lao he xiang guan fan kui zhi chi xiang liang ji de yao gan tu xiang jian suo fang fa 。fang fa tong guo dui bi du shou xian zhi fang tu jun heng hua suan fa dui yao gan tu xiang jin hang yu chu li ,xian zhi yao gan tu xiang zao sheng de fang da ,cai yong zi xue xi neng li liang hao de juan ji shen jing wang lao dui yao gan tu xiang jin hang duo ceng shen jing wang lao de jian du xue xi di qu feng fu de tu xiang te zheng ,bing jiang zhi chi xiang liang ji zuo wei ji fen lei qi ,gen ju ce shi yang ben shu ju dao fen lei chao ping mian de ju li jin hang pai xu de dao jian suo jie guo ,zui hou cai yong xiang guan fan kui ce lve dui jian suo jie guo jin hang chong xin diao zheng 。jie guo zai UC Merced Land-Useyao gan tu xiang shu ju ji shang jin hang tu xiang jian suo shi yan ,zai mAP(mean average precision)jing du zhi biao shang ,dang jian suo fan hui tu xiang shu wei 100shi ,ben wen fang fa bi LSH(locality sensitive Hashing)fang fa di gao le 29. 4%,bi DSH(density sensitive Hashing)fang fa di gao le 37. 2%,bi EMR(efficient manifold ranking)fang fa di gao le 68. 8%,bi wei tian jia fan kui he xun lian ji shai shua de SVM(support vector machine)fang fa di gao le 3. 5%,dui yu ping jun jian suo su du ,ben wen fang fa bi dui bi fang fa zhong m APjing du zui gao de fang fa di gao le 4bei ,zhen dui fu za de yao gan tu xiang shu ju ,ben wen fang fa de jian suo xiao guo jiao ji ta fang fa biao xian chu se 。jie lun ben wen di chu le yi chong yi ju li ping jia biao zhun wei he xin de fan kui ce lve ,yi di gao jian suo jing du ,bing cai yong duo ju li jie ge de Top-kpai xu fang fa ge li shai shua xun lian ji ,yi di gao jian suo su du ,ben wen fang fa ke yi an fan ying yong yu ren lian shi bie he mu biao gen zong deng ling yu ,dui di sheng jian suo xing neng ju you chong yao yi yi 。
论文参考文献
论文详细介绍
论文作者分别是来自中国图象图形学报的彭晏飞,宋晓男,武宏,訾玲玲，发表于刊物中国图象图形学报2019年03期论文，是一篇关于遥感图像检索论文,卷积神经网络论文,反馈论文,支持向量机论文,对比度受限直方图均衡化论文,排序论文,中国图象图形学报2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国图象图形学报2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：遥感图像检索论文; 卷积神经网络论文; 反馈论文; 支持向量机论文; 对比度受限直方图均衡化论文; 排序论文; 中国图象图形学报2019年03期论文;