基于深度学习的图像检索研究

深度学习(Deep Learning)是近年来提出的一种利用具有多个隐层的深度神经网络(Deep Neural Network,DNN)完成学习任务的机器学习方法。其实质是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到更有用的特征,进而提升模型预测或分类的准确性。与以往的浅层神经网络的不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层),还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰富的内在信息。 基于内容的图像检索(Content-based Image Retrieval,CBIR)的基本思想是通过分析图像本身的内容(如颜色、纹理、形状等),再从图像库中查找相似或相近的图像。本文在简要介绍了基于文本的图像检索和基于内容的图像检索,并对两者进行了优劣分析之后,又概述了基于内容的图像检索的研究背景和国内外的发展与应用现状。在着重介绍了基于内容的图像检索的关键技术和深度学习的相关知识后,本文设计了一个基于深度学习的图像检索系统。与传统的图像检索——需要预先提取图片的底层特征的方法不同的是：基于深度学习的图像检索可以直接对原图片进行处理,这就消除了不同的底层特征对检索结果所带来的影响。