周 燕，潘丽丽，陈蓉玉，邵伟志，雷前慧

(中南林业科技大学计算机与信息工程学院，湖南 长沙 410004)

1 引言

为了在大规模数据集中实现快速相似搜索，本文探讨了基于深度学习卷积神经网络CNN(Convolutional Neural Network)提取特征和基于哈希算法建立索引的方法，以寻求高效精准的检索方案。相比于底层特征描述符，深度学习[1]从目标数据集中提取的特征，其表征能力更佳，特征的鲁棒性较强，不易受噪声影响，因而被广泛采用。而哈希算法对计算机内存需求低且检索效率高，尤其是在处理海量数据集的情况下；与此同时，哈希算法得到的二进制码能够以高概率将相似的图像映射成相似的二进制码。压缩的二值哈希编码比原始的特征在数据存储和计算方面有更大的优势。

图像检索方案应具备以下几个性质：首先，由卷积神经网络提取的特征能充分表达图像的高级语义信息。其次，哈希后的特征维度降低，以便存储海量图像的特征。再次，哈希编码时应该将相似的图像(无论是特征空间距离还是语义距离)映射成具有较小汉明距离的二进制字符串。最后，算法在训练集中得到的参数应在测试集中同样有效。

2 背景

卷积神经网络CNN通过层层卷积捕获图像的深层语义信息，而不是单单从形状、颜色和纹理等特征进行考虑。卷积神经经典的网络及应用有：LeNet-5用于各类数字识别。AlexNet[2]的网络架构与 LeNet的非常相似，但是网络更深，并且具有彼此堆叠的卷积层，以捕获更多的图像信息。……