图像重排序自适应算法研究与贪心选择方法改进

摘要

为了研究图像多媒体的搜索问题，图像检索重排序问题在近几年得到了越来越多的重视。重排序是基于初始搜索结果得到的信息而运用算法对初始列表进行排序重构的一种方法，它的目的是让更符合查询关键词信息能够出现在搜索结果栏中比较靠前的位置。为了更好地进行图像重排序，我们将重点着眼于以下两个方面。(1)从图片中提取更有效的特征。(2)构建更好的重排序系统。通过从图片当中提取视觉特征和构建重排序模型，我们充分利用图片的视觉信息来帮助我们进行图片检索重排序工作。通过这些方法，我们可以提高图片检索系统的整体性能。
　　鉴于现有的图像重排序系统之间存在的缺点，我们提出了以下两个方案来提高重排序的性能。下面我们将详细介绍具体的方法。
　　1)利用查询难易度预测对每个查询项进行自适应的重排序。在图片特征方面，我们使用深度卷积神经网络来对图片提取相应的特征。而在模型构建方面，我们使用了Visual Rank算法。为了对不同的查询项进行针对性的自适应操作，我们引入了查询难易度预测的技术。对每个查询项，由于它们内部的图片相关性分布差距是很大的，所以很有必要进行查询项的单独参数调谐。我们利用查询难易度计算，从而对Visual Rank算法中的权重向量和阻尼系数进行单独的设置。
　　2)引入有效的贪心策略对每个查询项进行针对性的图片检索。首先，我们从每个查询项对应的图片当中找到种子图片，这个图片可以代表这个查询项。我们设计了一个简单的打分方法来对原始列表进行筛选，从而能够迅速的选出种子图片。其次，我们可以把对于特定查询项的重排序问题转换成寻找和特定种子图片最相似的图片的问题。使用简单的贪心策略，我们可以高效率的对于每个查询项进行图片的选择。而图片被选入种子图片集合的顺序就是重排序对应的顺序。最后，为了避免只使用一张种子图片所带来的可能误差，我们可以使用多个种子图片，这样对于每个种子图片都可以进行一次贪心选取操作，利用序列融合的思想，我们可以避免使用单个图片作为种子图片带来的实验结果的不严谨。
　　本文主要以图像检索重排序为研究方向，并通过大量的实验结果来验证算法的有效性。对于算法中可以提高的地方，在以后的研究工作中会予以重点的关注。

目录

声明

摘要

表格索引

插图索引

第一章 绪论

1．1 研究意义

1．2 国内外研究概况和发展趋势

1．3 本文主要工作

第二章 常见图像重排序系统的特征和模型

2．1 常见特征介绍

2．1．1 SIFT特征

2．1．2 Dense SIFT特征

2．1．3 颜色纹理特征

2．2 常见模型分析

第三章 利用查询难易度预测对查询项进行自适应重排序

3．1 模型总览

3．2 特征提取

3．3 自适应重排序

3．3．1 查询难易度预测

3．3．2 自适应参数调谐

3．3．3 总结

3．4 实验

3．4．1 数据集

3．4．2 评判标准

3．4．3 实验对比

第四章 结合贪心和序列融合的图像重排序

4．1 模型总览

4．2 图像去噪

4．3 贪心策略

4．4 序列融合

4．4．1 博达融合(Borda Fusion)

4．4．2 空多赛融合(Condorcet Fusion)

4．4．3 相互序列融合(RRF Fusion)

4．5 实验结果分析与总结

4．5．1 实验设置

4．5．2 实验对比

4．5．3 实验结果

第五章 总结与展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果