基于深度学习的SIFT图像检索算法

• 作者: 苏勇刚 高茂庭
• 来源期刊: 计算机系统应用
• 关键词: 卷积神经网络(CNN) 深度学习 图像检索 重排序
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 164-170
• 页数: 7页
• 字数: 4895字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.007628

摘要

深度学习作为一个新的机器学习方向,被应用到计算机视觉领域上成效显著.为了解决分布式的尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)算法效率低和图像特征提取粗糙问题,提出一种基于深度学习的SIFT图像检索算法.算法思想:在Spark平台上,利用深度卷积神经网络(Convolutional Neural Network,CNN)模型进行SIFT特征抽取,再利用支持向量机(Support Vector Machine,SVM)对图像库进行无监督聚类,然后再利用自适应的图像特征度量来对检索结果进行重排序,以改善用户体验.在Corel图像集上的实验结果显示,与传统SIFT算法相比,基于深度学习的SIFT图像检索算法的查准率和查全率大约提升了30个百分点,检索效率得到了提高,检索结果图像排序也得到了优化.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高茂庭		83	424	11.0	16.0
2	苏勇刚		1	0	0.0	0.0