分布式圖像檢索訓(xùn)練系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來(lái),隨著視覺(jué)類(lèi)感知推薦模式的推出,基于內(nèi)容的圖像檢索(Content Based Image Retrieval,CBIR)應(yīng)用越來(lái)越廣泛,同時(shí)對(duì)圖像訓(xùn)練和檢索的效率要求也越來(lái)越高。因此,針對(duì)傳統(tǒng)的圖像訓(xùn)練和檢索技術(shù)在應(yīng)對(duì)海量圖像處理時(shí)的不足,更靈活的圖像訓(xùn)練方式和更高精確度的圖像檢索方法是當(dāng)下研究熱點(diǎn)的問(wèn)題。
　　本文提出了一種可支持增量訓(xùn)練的二進(jìn)制子串二級(jí)索引方法(Two-Level Index Based On Bina

2、ry Substring,TLI),并在此基礎(chǔ)之上設(shè)計(jì)實(shí)現(xiàn)了分布式圖像訓(xùn)練檢索系統(tǒng)。
　　圖像訓(xùn)練時(shí)系統(tǒng)先使用BRISK算法提取圖像特征向量,然后對(duì)特征向量按自然數(shù)遞增序列進(jìn)行唯一編號(hào),再使用特定的資源映射規(guī)則,將特征向量散列到各分布式存儲(chǔ)計(jì)算節(jié)點(diǎn)上,這種處理方法不僅可使得存儲(chǔ)和計(jì)算負(fù)載相對(duì)比較均衡,而且具有較好的擴(kuò)展性。
　　系統(tǒng)的圖像檢索過(guò)程融合MapReduce計(jì)算模型,圖像檢索過(guò)程分為特征向量子串和圖像特征點(diǎn)兩個(gè)層面

3、的歸并,特征向量子串歸并可得出相似特征向量候選集合,相似特征點(diǎn)歸并就能得到相似的圖像集合。同時(shí),結(jié)合圖像特征向量存儲(chǔ)機(jī)制,每個(gè)計(jì)算節(jié)點(diǎn)的歸并操作只需在本地進(jìn)行,各計(jì)算節(jié)點(diǎn)間不存在網(wǎng)絡(luò)通信。
　　文中測(cè)試部分首先將 TLI與當(dāng)前主流的高維向量索引算法:局部敏感哈希(Locality Sensitive Hash,LSH)、詞匯樹(shù)(Vocabulary Tree,VT)方案進(jìn)行了對(duì)比測(cè)試。然后就本文實(shí)現(xiàn)的分布式圖像訓(xùn)練系統(tǒng)與一種基于多

4、子樹(shù)的分布式詞匯樹(shù)圖像訓(xùn)練檢索系統(tǒng)作性能比較。測(cè)試表明,TLI與VT在檢索精度上比較相近,比LSH高出5％-10％,分布式TLI的檢索時(shí)間也隨著計(jì)算節(jié)點(diǎn)的增加逐步接近分布式VT,相比VT,TLI最大的優(yōu)勢(shì)在于它可支持圖像增量訓(xùn)練,更適用于互聯(lián)網(wǎng)這種圖像集快速增長(zhǎng)的應(yīng)用場(chǎng)景。
　　本文的創(chuàng)新點(diǎn):
　　1.基于二進(jìn)制描述符子串劃分理論提出了一種二進(jìn)制子串二級(jí)索引方法,解決了海明空間的KNN和范圍查詢(xún)問(wèn)題。
　　2.基于子串