如何使用多中心卷積特征加權(quán)進(jìn)行圖像檢索方法

　　深度卷積特征能夠為圖像內(nèi)容描述提供豐富的語義信息，為了在圖像表示中突出對象內(nèi)容，結(jié)合激活映射中較大響應(yīng)值與對象區(qū)域的關(guān)系，提出基于多中心卷積特征加權(quán)的圖像表示方法。首先，通過預(yù)訓(xùn)練深度模型提取出圖像卷積特征；其次，通過不同通道特征映射求和得到激活映射，并將激活映射中有較大響應(yīng)值的位置認(rèn)為是對象的中心；再次，將中心數(shù)量作為尺度，結(jié)合激活映射中不同位置與中心的距離為對應(yīng)位置的描述子加權(quán)；最后，合并不同中心數(shù)量下的圖像特征，生成圖像表示用于圖像檢索。與池化卷積（ SPoC）算法和跨維度（CroW）算法相比，所提方法能夠為圖像表示提供尺度信息的同時突出對象內(nèi)容，并在Holiday、Oxford和Paris圖像集中取得了良好的檢索結(jié)果。

　　在互聯(lián)網(wǎng)技術(shù)高速發(fā)展的今天，基于內(nèi)容的圖像檢索越來越受到人們的關(guān)注。圖像檢索過程主要分為圖像表示階段、過濾階段和二次重排序階段［1-2］。圖像表示階段主要通過對圖像的局部或者全局特征的加工生成代表圖像內(nèi)容的向量；過濾階段用于計算待查詢圖像與圖像庫中所有圖像的相似度，并按照相似度排序返回查詢結(jié)果；二次重排序階段主要用于對返回的相似度高的結(jié)果再次提純。圖像內(nèi)容表示的優(yōu)劣直接決定著圖像檢索的性能，因此長久以來為研究者所重視。