这篇文章是阅读《Deep Learning of Binary Hash Codes for Fast Image Retrieval》后的总结,该文章提出了一种利用CNN处理基于内容的图像检索的方法。
文章的重点
- 图像的binary hash code的生成方法
- 两阶段的检索方法——coarse-to-fine search strategy
1、基于内容的图像检索
1.1、基于内容的图像检索
基于内容的图像检索(Content-based Image Retrieval,CBIR)旨在通过对图像内容的分析搜索出相似的图像,其主要的工作有如下两点:
- 图像表示(image representation)
- 相似性度量(similarity measure)
1.2、基于CNN的图像内容提取
以AlexNet卷积神经网络为例,AlexNet的网络结构如下图所示:
(图片来源:ImageNet Classification with Deep Convolutional Neural Networks)
将最终的4096维向量作为最终图像的特征向量。这样的向量是一些高维向量,不利于计算。
2、二进制哈希编码的深度学习方法
2.1、模型结构
模型结构如下图所示:
在文章中,作者指出,该模型主要有三个主要的部分:
- 在大规模的ImageNet数据集上进行有监督的预训练;
- 在目标数据集上对模型进行微调,同时增加隐含层;
- 接收query,提取query的hash编码,同时查找相似的图像。
2.2、对hash的二进制编码的学习
本人认为在上图中, 与 之间会存在一个隐层,这一点不影响对Latent Layer的构造。
如上所述,我们可以使用 的结构作为图像的特征,但是这样的向量是一个高维的向量(4096维),这样的向量不利于计算。解决的方法有:降维(如PCA,Hash等方法)。通过Hash的方法构造出来的二进制的编码形式,可以利用hashing和Hamming距离计算相似度,那么能否通过模型学习到最好的Hash方法?
解决的方法是在 和 之间增加一个映射层(Latent Layer)H,那么如果两个图片生成的二进制编码相似,那么这两张图片也应该具有相同的标签。在H层的激活函数为Sigmoid函数。
2.3、检索
在深层的卷积神经网络中,浅层可以学习到局部的视觉表征,而深层可以捕获到适合识别的语义信息。
在检索阶段,作者采用了由粗到精的搜索策略(coarse-to-fine search strategy):
- 首先从Latent layer中检索出一批相似的候选集
2.3.1、粗粒度检索
对于图像 ,可以得到其Latent Layer的输出,记为 ,用该输出作为图像的特征表示。为了能够得到二进制的形式,需要对上述的输出做如下的变换:
假设数据集中包含了 个图像: ,其对应的二进制编码为: ,其中 。
对于待检索的图像 ,其对应的二进制编码为 ,可以利用Hamming距离,当 与 之间的Hamming距离小于某个阈值,得到 个候选集 。
2.3.2、细粒度检索
对于粗粒度检索出来的候选集 ,细粒度检索从该候选集中找到top k的结果。对于待检索的图像 ,取出其和后选集中的对应的 的向量值,记为 和 ,计算期之间的欧式距离: