深度PCA子空间极限学习机图像检索算法
2019-03-13李昆仑李尚然巩春景
李昆仑,王 琳,李尚然,巩春景
(河北大学 电子信息工程学院,河北 保定 071000)
1 引 言
基于内容的图像检索[1](content-based image retrieval,CBIR)指在给定查询图像的前提下,无需人工注释图像,通过提取图像的底层特征(例如纹理、颜色、形状等),在图像数据库中检索出与查询图像相近的图像[2].随着深度学习(Deep Learning)[3]的日趋成熟,很多学者将深度学习应用于人脸识别、目标检测、图像分类等领域[4-6].深度学习,即深度神经网络(Deep Neural Network,DNN)由Hinton等提出,深度神经网络通过多层神经网络来排列底层的原始数据特征,并抽象出原始数据的高级特征.常见的深度学习模型有深度自编码器(Deep Autoencoder,DAE)、深度置信网络(Deep Benefit Neural Networks,DBN)以及深度卷积神经网络(Convolutional Neural Networks,CNN)[7-9]等.自动编码器(Auto Encoder,AE)是一种无监督的用于数据降维和特征提取的神经网络模型,旨在尽可能地重构原始输入数据,以便从大数据中有效提取隐藏特征[10].为了改善其性能,Bengio等在自动编码机的基础上提出堆栈自动编码器(Stacked Autoencoder,SAE),堆栈自动编码器是通过多层稀疏自编码器获得比自动编码器更强的特征表达能力.Krizhevsky和Hinton提出用深度自编码器哈希进行图像检索,文章将图像直接作为输入,训练深度自编码器哈希,然后对图像进行二进制编码[11].
极限学习机(Extreme Learning Machine,ELM)是Huang G.B.等于2004年提出的作为一种训练单隐藏层前馈神经网络(Single-hidden Layer Feed forward Network,SLFN)学习方法,其分类性能好、训练速度快且具有良好的泛化性能[12].Kasun等提出了多层极限学习机(Multilayer Extreme Learning Machine,MLELM)网络模型[13].Lekamalage等提出了一种基于极限学习机自编码器的聚类算法(Extreme Learning Machine Auto Encoder Clustering,ELM-AEC),该方法利用极限学习机自编码器(ELM based Auto Encoder,ELM-AE)[14]进……
