基于哈希学习的遥感图像智能检索方法优化

基于内容的图像检索的核心是图像内容表达和相似性匹配。一直以来，图像内容表达都是基于内容的图像检索研究的重点，因为图像检索性能首先取决于提取或者学习的特征是否能够准确、有效地描述图像内容。图像内容表达经历了从传统的人工设计低层视觉特征提取到基于深度学习获取高层语义特征的发展，目前已经有大量研究成果。然而，与此同时，表达图像内容的特征维数越来越高，传统的相似性匹配已经不能满足大规模图像检索在时效性和存储容量方面的实际应用需求。如何实现大规模图像检索的准确及高效检索，已经成为计算机视觉、数据挖掘、机器学习等领域亟待解决的热点问题，可应用于大规模图像检索、数字媒体版权保护、视频过滤、姿态识别、目标跟踪、推荐系统等。

最近邻搜索算法被广泛应用于图像检索中的相似性匹配，然而，基于穷举搜索的精确最近邻搜索算法无法满足大规模数据的高效搜索需求。近似最近邻搜索是针对精确最近邻搜索的局限性而提出的一种实用替代方案，因其对空间和时间的需求大幅降低，而且能够得到不错的检索精度，近年来发展迅猛。基于树结构的近似最近邻搜索算法，在处理大规模图像数据时，存在由于维度过高引起的“维数灾难”以及高额存储代价问题；而基于哈希的近似最近邻搜索，将图像的高维特征向量映射到汉明空间(二值空间)中，生成一个低维的哈希序列来表征图像，既省时又省空间，能够有效克服最近邻搜索算法的局限性。随着深度学习的发展，深度哈希网络充分利用了深度学习强大的特征表达能力，提供了端到端的哈希函数学习模式，是解决大规模遥感图像检索准确高效检索的有效手段。(www.xing528.com)

本章首先介绍哈希的概念及发展历程，然后归纳和讨论代表性的哈希编码和哈希排序方法；接下来介绍基于深度哈希网络的遥感图像检索方法，最后在公开数据集对不同方法的检索性能进行验证和分析。