Instance-Aware Hashing for Multi-Label Image Retrieval 解析

最新推荐文章于 2022-06-12 18:34:38 发布

weixin_30292745

最新推荐文章于 2022-06-12 18:34:38 发布

阅读量72

点赞数

CC 4.0 BY-SA版权

文章标签：数据库人工智能

原文链接：http://www.cnblogs.com/mafang/p/5932700.html

本文介绍了一种基于深度学习的方法，用于生成多标签图片的哈希码，实现图像检索功能。文中详细阐述了从图片到哈希码的生成过程，包括proposal生成、深度卷积子网络提取特征、标签概率计算模型及哈希编码模型等内容。

源代码百度云链接：http://pan.baidu.com/s/1pLTtbM7 密码：8o2r　

　深度学习入门选了这篇文章和相应代码，纠结了两三个月，加上师兄讲解，现在才勉强搞懂，写出来，自己总结一下，也希望其他人少走点弯路，之后还会写一篇关于本文代码的博客。由于我是从小白开始的，所以这篇文章会尽可能清楚，请大牛们不要介意我唠叨。我写的有错的地方，欢迎大家留言，我更正。

文章目的和哈希码（hashing）

　　讲文章目的之前，先讲一个概念，叫哈希（hashing）码。当初纠结好久，查了论文，现在就凭我自己的认知写吧，尽量直白。哈希码总的来说，就是用一串0、1码代表，在本文就是代表图片啦。文中有两种，一种叫语义哈希（Semantic Hashing）。以图1为例，给了查询图片，针对这张图生成一条语义哈希码，这条哈希码可以是32位，48位，64位等，在此以16位为例。假设生成的语义哈希码是这样0010001001011001，本文中的哈希码是保留相似性的哈希（Similarity-preserving hashing），相似图片生成的哈希码也是相似的。那么它可以对数据库中其他图片也用相同方式（后面会讲是什么方式）生成哈希码。假设还有一张图，哈希码是这样的0010001001010001，那么就可以认为这两张图片相似（只有一位哈希码不同），就得到了如下图1（5a）那样的结果。另一种叫Category-Aware哈希。这种哈希是重点。注意名字中的Category-Aware。种类已知。如下图1，给它一张图，经过吧啦吧啦的处理，它对每个种类，如下图的自行车和沙发各生成一条哈希码。一条哈希码代表自行车，那可以检索带自行车的图；另一条哈希码代表沙发，可以检索带沙发的图。文章的目的就是对多标签图片（一个图里面有多个object）生成这两种哈希码，可以用于检索。（作者给的代码里只生成哈希码，检索的代码要自己写，呜呜，就为这浪费了好几天）

图1

步骤

　　从一幅图到一条哈希码（语义哈希）或多条哈希码（category-aware hashing）是怎样做到的呢？分四步，第一步，把冰箱门打开；第二步，把大象放进去。。。好啦，接下来是四个步骤。先看图吧。

图2.对多标签图像生成哈希码的深度结构。先接受一张图（假设该图所在数据集一共c类），接着生成N个proposals作为输入。先经过深度卷积子网络（GoogLeNet），通过SPP方法得到N个临时特征向量（每个临时特征向量针对一个proposal）。有了临时向量，接下来有两个分支：一个分支计算区域的标签概率（见图3），另一个分支生成proposal特征。

1.四部曲之生成proposal

proposal是什么呢，就是用算法处理图像，针对object把图像分割，这样提取的特征可以代表特定目标。如下图2红色部分就是proposal。也就是算法认为哪一块可能是一个object。本文中用了Geodesic object proposals（GOP）方法生成proposal。这个方法先不细讲了，以免影响大家对文章的整体理解。总之，把图像扔给GOP方法，它会给你多个proposal，就是它认为哪里可能是一个object。这多个proposal肯定会有重叠部分，不会像图2那么理想。其实生成的proposal是坐标的形式，左上角的横纵坐标和右下角的横纵坐标四个数字代表一个proposal。

图3.proposal

2.四部曲之深度卷积子网络

GooLeNet这个网络提取图像特征效果很好，作者就以它为基础。用它提取proposals的特征。但是我前面也讲了proposals个数很多，要是用户给了一张图，你针对这张图里生成的每个proposal都用GoogLeNet这种深度网络处理一遍，那黄花菜都凉了。这里，作者用到了另一种方法Spatial Pyramid Pooling（SPP）。SPP的好处是我们可以先把整张图用GooLeNet提取特征F，然后对每个proposal，直接根据F生成固定长度的表示。（可以理解为先计算整张图的特征F，需要哪块再从F中提取相应位置特征）。

3.四部曲之标签概率计算模型

　　这个模型是干嘛的呢？前面不是一张图生成了多个proposal嘛，这个模型可以告诉你，每个proposal包含每个类的概率是多少。很厉害是不是，可是我们只有整幅图的标签呀，还拿图1那个自行车和沙发的图说事，根据标签，我们只知道图里有自行车和沙发，你怎么知道每个proposal有自行车或沙发的概率呢？作者用了一个厉害的办法，见图4.对一个有着N个proposals的图（c类），我们的工作是对每个proposal生成一个概率向量，这个向量有多长呢，c那么长，因为有c类呀。接下来如图4，N个proposal的概率向量就堆在一起，针对每一位，都选该列最大的拿出来，放到最后的概率向量里去。举个例子，N个proposal概率向量的第一位拿出来比，嗯，第3个proposal第一位的值最大，那就把这个值放到最后的概率向量去。这个方法叫什么cross-hypothesis max-pooling.图4最后那部分，不就可以代表整张图了么，因为你把它里面所有的proposals都包括了，正巧我们还有整幅图的标签，这就可以开始训练了呀。原谅我先不讲细节了，太痛苦。。。先讲个大致。