هش گذاری عمیق مبتنی بر شبکه سیامیز با میانگین گیری نمایی متحرک برای بازیابی کارآمد تصاویر ریزدانه

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 31

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JICTP-7-25_009

تاریخ نمایه سازی: 21 آبان 1405

چکیده مقاله:

بازیابی تصاویر ریزدانه به دلیل شباهت زیاد نمونه های درون کلاسی و تفاوت های ظریف میان کلاس های مختلف، یکی از چالش برانگیزترین مسائل در حوزه بازیابی محتوامحور تصاویر محسوب می شود. در چنین مسائلی، استخراج بازنمایی های متمایزکننده و در عین حال پایدار، نقش مهمی در افزایش دقت بازیابی دارد. با این حال، بسیاری از روش های متداول استخراج ویژگی و هش گذاری عمیق در حفظ ساختارهای معنایی ظریف و تولید کدهای دودویی پایدار با محدودیت مواجه هستند. در این پژوهش، یک چارچوب هش گذاری عمیق مبتنی بر شبکه سیامیز برای بازیابی تصاویر ریزدانه ارائه می شود که از راهبرد میانگین گیری نمایی متحرک پارامترها به منظور افزایش پایداری بازنمایی ها و بهبود کیفیت کدهای هش بهره می گیرد. در روش پیشنهادی، فرآیند آموزش در دو مرحله شامل پایدارسازی ویژگی ها و یادگیری کدهای هش انجام می شود و استفاده از نمونه برداری متوازن سه تایی و میانگین گیری مبتنی بر نماهای زمانی متوالی، موجب کاهش اثر نویزهای آموزشی، افزایش توان تفکیک پذیری ویژگی ها و بهبود سازگاری معنایی در فضای هش می شود. نتایج آزمایش ها بر روی دو مجموعه داده CUB-۲۰۰-۲۰۱۱ و Stanford Cars نشان می دهد که روش پیشنهادی به ترتیب به ۸۹.۰۳% و ۹۳.۴۲% mAP دست یافته و عملکردی برتر و رقابتی نسبت به روش های مرجع هش گذاری عمیق ارائه می دهد. این نتایج بیانگر اثربخشی استفاده از میانگین گیری نمایی متحرک در پایدارسازی فرآیند یادگیری و تولید بازنمایی های دودویی متمایز برای بازیابی تصاویر ریزدانه است.

کلیدواژه ها:

نویسندگان

لوی ابراهیم خلف

گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

کامبیز رهبر

گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران