基于神经网络的交互式图像检索

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (22): 59-62.

基于神经网络的交互式图像检索

王兵¹，张欣²，王硕¹，王苗¹

1.河北大学数学与计算机学院，河北保定 071002
2.河北大学电子信息工程学院，河北保定 071002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-08-01 发布日期:2007-08-01
通讯作者: 王兵

Interactive method of image retrieval based on neural networks

WANG Bing¹，ZHANG Xin²，WANG Shuo¹，WANG Miao¹

1.College of Mathematics and Computer Science，Hebei University，Baoding，Hebei 071002，China
2.College of Electronics and Information Engineering，Hebei University，Baoding，Hebei 071002，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-08-01 Published:2007-08-01
Contact: WANG Bing

摘要/Abstract

摘要： 提出了基于神经网络的交互式图像检索方法，系统根据用户对检索结果的评价，动态构造神经网络，描述图像之间的相似性;图像间的这种相似性以及本次检索结果可以作为以后检索的历史信息保存在神经网络中，从而提高下一次检索的效率。实验表明，该方法嵌入到典型的图像检索系统中，改善了图像检索性能。

关键词: 神经网络, 基于内容的图像检索, 相关反馈, 集合的划分

Abstract: An interactive image retrieval based on neural networks is employed to measure the similarities between the query image and the images in a database.The neural networks presented in this paper are constructed dynamically according the end-users relevance feedbacks.These similarities and historical relevance feedbacks deposited in the neural network can be used in next retrievals to gain enhancement in the efficiency of the system retrieval.This approach may be embedded in many current image retrieval systems to improve the performance of the retrieval.Results in our experimentation demonstrate a good potential of the methodology.

Key words: neural networks, content-based image retrieval, relevance feedback, set partition

王兵¹，张欣²，王硕¹，王苗¹. 基于神经网络的交互式图像检索[J]. 计算机工程与应用, 2007, 43(22): 59-62.

WANG Bing¹，ZHANG Xin²，WANG Shuo¹，WANG Miao¹. Interactive method of image retrieval based on neural networks[J]. Computer Engineering and Applications, 2007, 43(22): 59-62.

[1]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[2]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[3]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[4]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[8]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[9]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.