蔡芷茵，高 炜，俞祝良，黄金洪，刘 浩，李宏海

(1.华南理工大学 自动化科学与工程学院, 广东 广州 510641；2.北京交通信息中心， 北京 100161；3.交通运输部公路科学研究院 智能交通研究中心， 北京 100088)



基于三元组卷积神经网络的图像检索

蔡芷茵1，高 炜1，俞祝良1，黄金洪1，刘 浩2，李宏海3

(1.华南理工大学 自动化科学与工程学院, 广东 广州 510641；2.北京交通信息中心， 北京 100161；3.交通运输部公路科学研究院 智能交通研究中心， 北京 100088)

针对图像检索中图像间相似度和训练集带标签样本不足问题，提出一种改进的三元组卷积神经网络的图像检索算法。采用基于三元组卷积神经网络，在相似数据集上进行网络训练，为图像检索项目提取更好的特征。 实验结果表明，该算法在相似数据集上进行重训练，有助于提高基于内容的图像检索任务的性能。

基于内容的图像检索；卷积神经网络；相似度度量；特征表达

在基于内容的图像检索(Content-Based Image Retrieval, CBIR)任务中，提取有效样本特征的模型尤为重要[1, 2]。随着深度学习在机器学习领域的逐渐流行，应用卷积神经网络(Convolutional Neural Networks, CNN)已经成为图像分类和图像检索的一种重要方法[3]。

检索是基于图像内容而非词汇描述的，在复杂的CBIR任务中，低层次视觉特征和高层次人类感知之间存在语义鸿沟[4, 5]，采用人工神经网络模型提取特征通常不能取得满意的效果[6]。已有的CBIR方法主要基于颜色特征[7]和纹理特征[8]等低层次的特征[4, 9]，不能获得令人满意的结果。当训练样本数量不足以训练大规模复杂网络时，便会出现灾难性的过拟合现象，即网络在训练集上表现出良好的性能而在测试集中效果很糟糕。……