مشخصات مقاله:
عنوان فارسی مقاله:
شبکه های هشینگ عمیق محدود باینری برای بازیابی تصاویر بدون یاداوری دستی
عنوان انگلیسی مقاله:
Binary Constrained Deep Hashing Network for Image Retrieval without Manual Annotation
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الگوریتم ها و محاسبات، مهندسی نرم افزار و هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. کار های مربوطه
3. شبکه های هشینگ عمقی محدود باینری بدون تفسیر دستی
3.1 معماری شبکه
3.2 داده های تمرینی
3.3 ضرر محدود باینری جفتی
3.4 یادگیری پارامتر ها
4. آزمایش ها
4.1 خط مبنا و مجموعه داده ها
4.2 مقایسه با روش های ترکیب بدون سرپرست
4.3 مقایسه با روش های ترکیب با سرپرست
4.4 مقایسه با نمایش تصاویر با مقادیر واقعی
5. جمع بندی
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
We are interested in learning compact image representations for large scale content-based image retrieval problem. Recent researches have applied deep learning to image retrieval problem and achieved improvements in comparison to traditional local feature approaches. In [41, 3], the authors show that using the real-valued features from off-theshelf pretrained networks to represent images achieve impressive retrieval results. In [5, 1, 13] the authors further show that fine-tuning pretrained deep networks for image retrieval task helps to boost the retrieval performance. However, to fine-tune a deep network, it requires an enormous amount of labelled images which is not easy to achieve. It is because annotating images with labels or tags requires skilled manpower, and the label of an image is not always well defined. In addition, although representing images by real-valued high dimensional features from deep networks achieves high retrieval accuracy, it is not applicable for large scale retrieval problem. It is because these representations cause expensive storage and time-consuming searching.
1. مقدمه
ما به یادگیری نمایش تصاویر فشرده برای مسئله بازیابی تصاویر مبتنی بر محتوا به صورت بزرگ مقیاس علاقه مند هستیم. تحقیقات اخیر از روش های یادگیری برای مسئله بازیابی تصاویر استفاده کرده است و در مقایسه با روش های ویژگی های محلی متداول، توانسته است به بهبود های مختلفی برسد. در مرجع های 41 و 3 ، نویسنده ها نشان می دهند که استفاده از ویژگی های مقادیر واقعی از شبکه های از پیش آموزش دیده کلی را می توان برای ارائه تصاویر استفاده کرد و این روش باعث می شود که نتایج بسیار خوبی برای بازیابی تصاویر به دست بیاید. در مرجع [5و1و13] ، نویسنده ها همچنین نشان داده اند که با اصلاح شبکه های عمقی از پیش تعیین شده برای وظیفه بازیابی تصاویر، می توان عملکرد بازیابی تصاویر را بهبود بخشید. اما، برای تنظیم کردن شبکه های عمقی، ما نیازمند مقادیر بسیار زیادی از تصاویر نام گذاری شده هستیم که به دست آوردن آن ها ساده نمی باشد. این موضوع بدین علنت است که نام گذاری تصاویر با برچسب ها یا تگ های مختلف نیازمند توان فردی بسیار بالایی می باشد و نام های این تصاویر همیشه به خوبی تعریف نمی شود. به علاوه، اگرچه نمایش تصاویر با استفاده از ویژگی های ابعادی بالا با مقدار واقعی از شبکه های عمقی باعث می شود که صحت بازیابی ها افزایش پیدا کند، نمی توان برای مسئله های بازیابی تصاویر در مقیاس بالا از این روش استفاده کرد. به همین دلیل است که نمایش تصویر ها به این روش باعث شود که جستجوهای گسترده و زمان بر ایجاد شود.