结合注意力卷积神经网络的图像检索技术研究

魏 赟，严正怡

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

图像检索技术是指按照文本或内容对大规模图像数据库进行检索，从而实现对图像数据库的管理.基于文本的图像检索技术(TBIR)采用人工标注与图像特征相关的关键词，完成匹配.基于内容的图像检索技术(CBIR)采用语义化图像特征，实现特征提取.随着大型图像数据库的出现，在CBIR中发展出基于卷积神经网络(CNN)的图像检索技术，提取特征更准确[1].

研究者们一直致力于提升基于CNN的图像检索技术的效率，提出了多种改进方法.在文献[2]中，Babenko提出适合图像检索的神经编码(Neural Codes)，通过PCA压缩和反复训练提升特征提取性能.为解决神经编码空间显著描述弊端，Babenko继续提出求和池化(Sum-pooling)[3]实现卷积降维，Kalantidis提出对图像空间(Spatial)和通道(Channel)加权[4]，但检索精度不高.随后滑框技术出现，在文献[5]中，出现了结合滑框和CNN的MOP方法.为了增强局部区域化，Tolias提出利用最大池化(Max-pooling)滑框的R-mac方法[6]，Gordo在此基础上加入数据清洗方法[7]，提升检索精度.随着越来越多的CNN网络模型出现，研究者们开始对适用于图像检索的模型进行改进，在文献[8]中对比VGG和AlexNet网络模型，得出5.8%的检索精度差，并且加入BN操作得以提升两倍的收敛速度.Qin提出将Encoder和Deep-CNN混合的模型[9]，减少检索时间和特征维度.单对模型的改进不足以满足对检索精度和速率的要求，融合注意力模型开始成为研究热点.

近年来深度学习结合注意力模型发展不断，在文献[10]中，Goole Mind团队在RNN上递归使……