python实现的基于图片内容的图片检索

摘要

这次任务中，我们实现了使用人工神经网络对十分类的图片类型的判断。并实现了针对一张图片，由图片位于各分类的可能性进行对图片的 10 最近邻查询，返回图片库中国与查询图片最近似的 10 张图片。

关键词 ：人工神经网络、图像、特征、检索

1.导论

我们小组先构造了不同的神经网络，并用这些神经网络对训练集图片进行训练，得到了可用于对图片进行 10 分类的神经网络。之后比较了不同神经的效果。最后选用效果最好的神经网络对图片获取 10 分类的可能性。最后用 10 最近邻查询来获得十张与查询图片最接近的图片。

2.神经网络部分

2.1 公共框架

2.1.1 序贯模型（Sequential）

神经网络可以有非常复杂的结构，而其中最简单的模型，即网络的线性堆叠称为序贯模型，由于我们需要针对每一张图片做出一个类型的判断，即单输入对应单输出，故可以使用序贯模型来解决。

2.1.1.1 生成器（generator）

对输入的数据进行一定的处理，如进行随机偏移，旋转等操作，以减少过拟合的概率。

2.1.1.2 损失函数（loss）

用以估计预测的结果与真实值的不一致程度。

2.1.1.3 优化器（optimizer）

用以对机器学习模型中边的权值进行调整。

2.1.2 常用层（Core）

2.1.2.1 全连接层（Dense）

即最常用的全连接层，可以理解为一张完全二分图。

2.1.2.2 激活层（Activation）

为神经网络加入非线性因素，对一个层的输出施加激活函数。

2.1.2.3 退出层（Dropout）

为避免神经网络过拟合加入的层，实现方式为随机断开一些已经连接的神经元。

2.2 卷积神经网络框架（CNN）

2.2.1 卷积层（Convolutional）

2.2.1.1 二维卷积层（Conv2D）

二维卷积层，即对图像的空域卷积。该层对二维输入进行滑动窗卷积。

2.2.1.2 二维最大值池化层（MaxPooling2D）

为空域信号施加最大值池化。

2.3 循环神经网络框架（RNN）

2.3.1 循环层（Recurrent）

2.3.1.1 简单循环网络层（SimpleRN ）

全连接 RNN 网络，RNN 的输出会被回馈到输入。

2.4 神经网络实现及实验

2.4.1 实验环境

操作系统 ：CentOS Linux release 7.3.1611 (Core)
内存：128.0GB
中央处理器 ：Intel(R) Xeon(R) CPU E5 2630 v4@2.20GHz*10
图形处理器 ：NVIDIA GeForce GTX1080

2.4.2 卷积神经网络实现

2.4.2.1 设计架构

本实验中我们组使用了 CNN 神经网络进行图片分类。使用的模型是蓄罐模型由此建立神经网络，每一层神经网络里面加入卷积层 Conv2D(32, (3, 3))，加入激活层 Activation('relu')，加入迟化层 MaxPooling2D(pool_size=(2, 2))，去除冗余数据Dropout(0.2)。这是这是完整的一层神经网络。将神经网络输出传入到分类器中。首先将原来的神经网络数据降维后输入全连接层，最后使用激活层进行输出 Activation('softmax')。