文献类型：期刊文章

作　　者：刘冶[1,2] 潘炎[1,3] 夏榕楷[2] 刘荻[1] 印鉴[1,2]

机构地区：[1]中山大学数据科学与计算机学院,广州510000 [2]中山大学信息科学与技术学院,广州510000 [3]中山大学软件学院,广州510000

出　　处：《计算机科学》

基　　金：国家自然科学基金(61033010;61272065;61370021;61472453;U1401256);广东省自然科学基金(S2011020001182;S2012010009311;S2013010011905);广东省科技计划项目(2011B040200007;2012A010701013);火烈鸟网络(广州)股份有限公司-中山大学广东省大数据分析与处理重点实验室校企产学研合作研究经费资助

年　　份：2016

卷　　号：43

期　　号：9

起止页码：39-46

语　　种：中文

收录情况：BDHX、BDHX2014、CSA、CSCD、CSCD_E2015_2016、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：在大数据时代,图像检索技术在大规模数据上的应用是一个热门的研究领域。近年来,大规模图像检索系统中,图像哈希算法由于具备提高图像的检索效率同时减少储存空间的优点而受到广泛的关注。现有的有监督学习哈希算法存在一些问题,主流的有监督的哈希算法需要通过图像特征提取器获取人为构造的图像特征表示,这种做法带来的图像特征损失影响了哈希算法的效果,也不能较好地处理图像数据集中语义的相似性问题。随着深度学习在大规模数据上研究的兴起,一些相关研究尝试通过深度神经网络进行有监督的哈希函数学习,提升了哈希函数的效果,但这类方法需要针对数据集人为设计复杂的深度神经网络,增大了哈希函数设计的难度,而且深度神经网络的训练需要较多的数据和较长的时间,这些问题影响了基于深度学习的哈希算法在大规模数据集上的应用。针对这些问题,提出了一种基于深度卷积神经网络的快速图像哈希算法,该算法通过设计优化问题的求解方法以及使用预训练的大规模深度神经网络,提高了哈希算法的效果,同时明显地缩短了复杂神经网络的训练时间。根据在不同图像数据集上的实验结果分析可知,与现有的基准算法相比,提出的算法在哈希函数训练效果和训练时间上都具有较大的提高。

关 键 词：深度学习  图像检索 图像哈希 神经网络 优化算法

分 类 号：TP181]