陳宏宇 鄧德祥 顏佳 范賜恩

摘 要：針對計(jì)算視覺領(lǐng)域圖像實(shí)例檢索的問題，提出了一種基于深度卷積特征顯著性引導(dǎo)的語義區(qū)域加權(quán)聚合方法。首先提取深度卷積網(wǎng)絡(luò)全卷積層后的張量作為深度特征，并利用逆文檔頻率（IDF）方法加權(quán)深度特征得到特征顯著圖;然后將其作為約束，引導(dǎo)深度特征通道重要性排序以提取不同特殊語義區(qū)域深度特征，排除背景和噪聲信息的干擾;最后使用全局平均池化進(jìn)行特征聚合，并利用主成分分析（PCA）降維白化得到圖像的全局特征表示，以進(jìn)行距離度量檢索。實(shí)驗(yàn)結(jié)果表明，所提算法提取的圖像特征向量語義信息更豐富、辨識力更強(qiáng)，在四個標(biāo)準(zhǔn)的數(shù)據(jù)庫上與當(dāng)前主流算法相比準(zhǔn)確率更高，魯棒性更好。

關(guān)鍵詞：圖像檢索;卷積神經(jīng)網(wǎng)絡(luò);深度特征顯著性;語義區(qū)域加權(quán);特征聚合

中圖分類號： TP391.413; TP18

文獻(xiàn)標(biāo)志碼：A

Abstract： For image instance retrieval in the field of computational vision， a semantic region weighted aggregation method based on significance guidance of deep convolution features was proposed. Firstly， a tensor after full convolutional layer of deep convolutional network was extracted as deep feature. A feature saliency map was obtained by using Inverse Document Frequency （IDF） method to weight deep feature， and then it was used as a constraint to guide deep feature channel importance ordering to extract different special semantic region deep feature， which excluded interference from background and noise information. Finally， global average pooling was used to perform feature aggregation， and global feature representation of image was obtained by using Principal Component Analysis （PCA） to reduce the dimension and whitening for distance metric retrieval. The experimental results show that the proposed image retrieval algorithm based on significant semantic region weighting is more accurate and robust than the current mainstream algorithms on four standard databases， because the image feature vector extracted by the proposed algorithm is richer and more discerning.

Key words： image retrieval; Convolutional Neural Network （CNN）; deep feature saliency; semantic region weighting; feature aggregation

0 引言

近二十多年來，由于信息時代的到來和發(fā)展，各種類型的數(shù)據(jù)爆炸式地增長，圖像數(shù)據(jù)也隨之大量積累。為了方便人們對圖像數(shù)據(jù)的直觀獲取，基于內(nèi)容的圖像檢索（Content-Based Image Retrieval， CBIR）[1]技術(shù)應(yīng)運(yùn)而生，給定一個描述特定對象、場景、體系結(jié)構(gòu)的查詢圖像，目的是檢索包含相同對象、場景、體系結(jié)構(gòu)的圖像，這些圖像可能在不同的視角、光照或遮擋下被獲取。

2003年詞袋（Bag-of-Words， BoW）[2]模型被引入圖像檢索領(lǐng)域，這種方法依賴于尺度不變特征變換（Scale-Invariant Feature Transform， SIFT）等傳統(tǒng)特征描述符[3]?！癇oW模型”開始在檢索領(lǐng)域發(fā)揮著重要的作用，在過去的十多年里，人們提出了許多改進(jìn)意見。進(jìn)入2012年，Krizhevsky等[4]與AlexNet在ILSVRC（ImageNet Large Scale Visual Recognition Competition請補(bǔ)充ILSRVC的英文全稱）競賽中取得了最優(yōu)秀的識別精度，大幅度超過了之前的最佳結(jié)果。之后，圖像實(shí)例檢索的研究重點(diǎn)開始轉(zhuǎn)向基于深度學(xué)習(xí)的方法，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）。這是一種分層結(jié)構(gòu)，在許多視覺任務(wù)中，它的表現(xiàn)優(yōu)于人工特征，如圖像分類[5]、目標(biāo)檢測[6]以及語義分割[7]等。在檢索任務(wù)中，即使是短的CNN向量，也擁有能夠與BoW模型相競爭的性能?；贑NN的檢索模型通常計(jì)算獲取緊湊的表示，并使用Euclidean距離或一些近似最近鄰（Approximate Nearest Neighbor， ANN）[8]搜索方法進(jìn)行檢索。有些方法是基于全連接層特征生成全局表示[9]，例如Neural Codes算法[10]使用降維后的全連接層特征向量，用于圖像檢索。與這些方法不同的是，研究人員開始對全卷積層后的特征更感興趣[11]，例如CroW（Cross-dimensional Weighting for aggregated deep convolutional features）算法[12]對全卷積層張量進(jìn)行加權(quán)聚合得到全局表示特征向量，并取得了更好的效果。最近的一些方法通過收集地標(biāo)建筑物數(shù)據(jù)集，重新訓(xùn)練圖像表示端到端的圖像檢索任務(wù)[13]，例如Deep presentation算法[14]使用孿生網(wǎng)絡(luò)結(jié)構(gòu)對圖像通用網(wǎng)絡(luò)進(jìn)行微調(diào)提取圖像全局表示。微調(diào)過程顯著提高了對特定任務(wù)的適應(yīng)能力;然而這些方法需要收集標(biāo)記的訓(xùn)練數(shù)據(jù)集，性能嚴(yán)重依賴于收集到的數(shù)據(jù)集，并且不同檢索任務(wù)需要不同訓(xùn)練數(shù)據(jù)集，例如基于地標(biāo)的微調(diào)模型不適用于標(biāo)識檢索。

最近有多篇論文開始研究CNN特征圖的含義，發(fā)現(xiàn)卷積特征圖中的不同通道可以表示為全卷積網(wǎng)絡(luò)不同類別的像素級標(biāo)簽掩碼。Xu等[15]提出PWA（Part-based Weighting Aggregation請補(bǔ)充PWA的英文全稱）算法選擇一些具有鑒別力的深度卷積層的通道作為與固定語義內(nèi)容相對應(yīng)的濾波器，稱之為“概率建議（probabilistic proposals）”。“概率建議”將輸入對象各個部分的空間布局編碼為各種語義內(nèi)容，并表達(dá)了屬于固定語義像素的概率。

受到Xu等[15]的啟發(fā)，本文提出了一種通過深層卷積特征獲得圖像顯著性區(qū)域，優(yōu)化方差排序的通道選取方法，并通過顯著性區(qū)域引導(dǎo)獲取更優(yōu)的“概率建議”。通過增加無監(jiān)督顯著性約束，使算法獲取更集中可靠的“概率建議”，從而排除一些復(fù)雜背景對于圖像特殊語義信息獲取的干擾，實(shí)驗(yàn)證明針對檢索任務(wù)，使用“概率建議”進(jìn)行區(qū)域加權(quán)聚合的全局表示更加有效可靠。

1 研究現(xiàn)狀

隨著深度學(xué)習(xí)領(lǐng)域的火熱，研究人員不再將卷積神經(jīng)網(wǎng)絡(luò)當(dāng)成一個黑匣子，轉(zhuǎn)而開始研究卷積神經(jīng)網(wǎng)絡(luò)的真正意義，Zeiler等[16]通過反池化、反激活、反卷積等方法將特征圖（feature map）還原映射到原始輸入圖像空間上來進(jìn)行特征圖意義的解釋，證明了不同的模式（pattern）可以激活不同的特征圖。Grad-CAM感覺英文全稱不太對，哪幾個單詞的首字符縮寫為CAM的，請明確（Gradient-weighted Class Activation Mapping）[17]使用最后卷積層的梯度信息生成熱力圖，顯示了用于分類等任務(wù)下輸入圖像中的重要像素。同樣地在語義分割領(lǐng)域也證明了特征圖可以表示不同標(biāo)簽的像素級掩碼。在目標(biāo)檢測領(lǐng)域，SPPNet[18]也通過可視化卷積層的特征圖發(fā)現(xiàn)卷積特征中仍舊包含了位置信息，證明了特征圖中不同通道信息被特定的語義信息所激活，這些特殊通道可以作為特定區(qū)域檢測子。

隨著目標(biāo)檢測研究的深入發(fā)展，圖像實(shí)例檢索任務(wù)開始引入目標(biāo)檢測方法輔助提取前景信息和抑制背景噪聲，BING（BINarized normed Gradients for objectness estimation at 300fps）[19]、Faster R-CNN（Faster Regions with Convolutional Neural Network feature請補(bǔ)充Faster R-CNN的英文全稱）[6]等輔助圖像檢索算法，通過框定原始圖像中的目標(biāo)信息再進(jìn)行特征提取和距離檢索。Mask R-CNN[20]研究表明，在目標(biāo)檢測任務(wù)中，應(yīng)當(dāng)使用不規(guī)則的檢測框替代矩形框，擬合原始目標(biāo)的形狀。

受上述研究的啟發(fā)，本文通過選取卷積特征圖中具有特殊語義和判別力的通道作為圖像的區(qū)域檢測子，進(jìn)而聚合生成與之對應(yīng)隱藏語義信息的深度特征。這些選取的區(qū)域檢測子包含了原始輸入圖像的位置和語義信息，且在形狀上充分?jǐn)M合了原圖中目標(biāo)形狀。

2 基于特征顯著性引導(dǎo)的區(qū)域加權(quán)算法

基于深度特征顯著性引導(dǎo)特征通道加權(quán)聚合的圖像檢索算法主要包含兩個部分：“概率建議”選擇、區(qū)域檢測子加權(quán)聚合，算法流程如圖1所示。

1）“概率建議”選擇：

2.1 “概率建議”的選擇

本文通過非監(jiān)督的方法，對數(shù)據(jù)庫中所有圖像的深度卷積特征通道進(jìn)行排序，并選取排序靠前通道作為深度特征的“概率建議”，這些通道對應(yīng)的特殊語義信息激活圖，作為特征聚合階段的區(qū)域檢測子。

2.1.1 深度卷積特征表示

通過將圖像I輸入一個預(yù)先訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)或一個經(jīng)過微調(diào)（fine-tuning）后的網(wǎng)絡(luò)，提取卷積層的激活圖作為圖像的深度特征，表示為非負(fù)三維張量F∈Rh×w×c，其中w和h表示空間分辨率（寬度、高度），c是特征通道的數(shù)量。使用Fpj表示深度特征F中對應(yīng)位置p∈（[h]，[w]）和通道j∈[c]的元素，用F·j表示深度特征F中通道j∈[c]的2D特征圖。

2.1.2 生成深度特征顯著性圖

受到CroW算法的啟發(fā)，本文加權(quán)深度特征F獲取深度特征顯著性圖。根據(jù)逆文檔頻率（IDF）[21]加權(quán)的思想，簡單來說不同通道特征圖表現(xiàn)得越稀疏，那么對應(yīng)位置的非零激活值就越重要。由此得到不同通道對應(yīng)的F·j權(quán)重為：

其中對于通道j∈[c]，a=1wh∑p∈P1[Fp·]∈Rc表示為每個通道下平均非零激活值的數(shù)目，通過對每個通道求加權(quán)和，最終得到深度特征顯著性圖（如圖2）：

2.1.3 區(qū)域檢測通道選取

每一個“概率建議”對應(yīng)著原始輸入圖像的特定的語義信息，有一些代表著塔頂信息、建筑底部信息、整體輪廓信息、特定的弧形形狀信息等，這些區(qū)域信息包含在深度特征F的特定通道F·j中，本文在離線階段采取一種無監(jiān)督的方法選取。

PWA算法考慮具備較大方差響應(yīng)的通道則具有更大的區(qū)分性，且各種物體之間的差異越大對應(yīng)的響應(yīng)差異越大，所以PWA使用一種簡單的方式來進(jìn)行區(qū)域檢測子的選擇，即通過統(tǒng)計(jì)數(shù)據(jù)庫深度特征對應(yīng)通道F·j的方差信息并進(jìn)行排序，選取方差較大的F·j作為“概率建議”。

這種方差排序方法容易受到背景復(fù)雜差異大圖片的干擾，導(dǎo)致選取“概率建議”區(qū)域檢測子激活原圖的背景信息。為了排除背景信息的干擾，本文改進(jìn)了方差排序的選取方法，通過得到的深度特征顯著性圖Sf來進(jìn)行通道顯著性加權(quán)和排序?？紤]到顯著性圖Sf在某些顯著性區(qū)域的激活效果相對于其他顯著性區(qū)域過于明顯，為防止顯著性圖和深度特征加權(quán)后只激活了部分顯著性區(qū)域，影響區(qū)域特征的豐富性，需要對顯著性圖Sf進(jìn)行二值化以區(qū)分圖像中的前景區(qū)域和背景區(qū)域。為了激勵前景信息、抑制背景噪聲信息，二值化顯著性區(qū)域?yàn)檎祐∈R+，非顯著性區(qū)域?yàn)樨?fù)值t∈R-：

得到二值后的深度特征顯著性圖Sfb，需要對數(shù)據(jù)庫中的所有樣本圖片進(jìn)行深度特征加權(quán)求和，并統(tǒng)計(jì)歸一化后的深度特征通道重要性。統(tǒng)計(jì)單幅圖像深度特征F的通道顯著性加權(quán)和：

將數(shù)據(jù)庫的所有N張樣本圖片進(jìn)行通道顯著性統(tǒng)計(jì)得到通道顯著性向量In=[T0，T1，…，TC-1]，并對所有的通道顯著性向量進(jìn)行2范數(shù)歸一化。得到歸一化后的通道顯著性向量后，按通道對所有樣本進(jìn)行通道顯著性統(tǒng)計(jì)疊加：

最后對得到的通道顯著性統(tǒng)計(jì)向量Vj=[v0，v1，…，vC-1]的向量進(jìn)行降序排序，由此可以無監(jiān)督獲取到顯著性通道，作為“概率建議”以用來進(jìn)行區(qū)域檢測。得到包含特定復(fù)雜語義信息的“概率建議”后，利用它們進(jìn)行深度特征的加權(quán)聚合。

圖3可視化了4組排序靠前的“概率建議”，可以觀察到419通道在建筑物窗戶弧形區(qū)域有較高的激活、430通道重點(diǎn)激活了建筑物的頂部，相應(yīng)地486通道則對應(yīng)建筑物底端，而360通道反映了圖片中建筑物的整體輪廓。算法選取的其他通道同樣地代表著圖像中特殊的結(jié)構(gòu)語義信息。

“概率建議”提取深度特征特定語義信息區(qū)域，強(qiáng)化了對應(yīng)語義的特征信息，挖掘了物體的形狀紋理信息，從而提升了全局表示的判別力及魯棒性。通過大量圖像數(shù)據(jù)訓(xùn)練得到的深度卷積網(wǎng)絡(luò)，其卷積層包含的不同卷積核可激活特定的圖像模型。本文選取的“概率建議”區(qū)域檢測子是根據(jù)不同語義信息而生成出的各種不規(guī)則區(qū)域候選框。對比算法R-MAC（Regional Maximum Activation of Convolution請補(bǔ)充R-MAC的英文全稱）[22]提取的矩形區(qū)域，本文使用的“概率建議”區(qū)域檢測子對真實(shí)物體的形狀更加貼合，且根據(jù)語義概率提取的區(qū)域位置比R-MAC使用網(wǎng)格切割定位的更加準(zhǔn)確，形狀和尺度也都更多樣。本文使用的選取“概率建議”方法，特征顯著引導(dǎo)排序，可以約束選取在重要且豐富語義信息顯著性區(qū)域下的“概率建議”。顯著性激活值加權(quán)排序算法在顯著性區(qū)域中，充分地考慮了不同語義區(qū)域的特征，豐富了特征的多樣性。通過對選取通道的大量數(shù)據(jù)觀察，選取的區(qū)域檢測子分別蘊(yùn)藏了屋頂、塔尖、窗戶、建筑底部、柵欄、石柱等特殊語義信息。

深度特征的聚合需要選取數(shù)量合適的“概率建議”作為區(qū)域檢測子。如果區(qū)域檢測子數(shù)量過少，聚合不到足夠豐富的區(qū)域特征;如果區(qū)域檢測子數(shù)量過多，會引入低級（例如梯度、顏色等）特征信息干擾檢索，降低檢索精度。算法最終選取“概率建議”的數(shù)量將通過實(shí)驗(yàn)確定。

2.2 區(qū)域檢測子加權(quán)聚合

將這些通過深度顯著性約束排序算法得到的“概率建議”，作為特殊語義區(qū)域特征檢測子，對原始深度特征進(jìn)行加權(quán)，利用全局平均池化聚合得到更加豐富的局部區(qū)域特征表示，拼接所有區(qū)域特征表示并降維得到最終的全局圖像表示向量，利用距離度量完成檢索任務(wù)。

2.2.1 深度特征聚合池化方法

早期利用深度特征的圖像檢索算法，主要使用卷積神經(jīng)網(wǎng)絡(luò)中全連接層后的向量作為圖像全局表示進(jìn)行檢索，隨著對卷積神經(jīng)網(wǎng)絡(luò)研究的深入，深度特征提取的研究重點(diǎn)則轉(zhuǎn)向全卷積層后的深度卷積張量上。全卷積結(jié)構(gòu)可以對任意尺寸比例的圖像進(jìn)行特征提取，保留了原圖特定區(qū)域的位置特征屬性。

不同于傳統(tǒng)特征編碼常使用的費(fèi)舍爾向量（Fisher Vector， FV）編碼和局部聚合描述符（Vector of Aggregate Locally Descriptor， VLAD）編碼，對深度卷積特征的聚合一般使用全局平均池化（Global Average Pooling， GAP）全局最大池化（Global Max Pooling， GMP）[22-23]和全局最大池化（Global Max Pooling， GMP）全局平均池化（Global Average Pooling， GAP）[24]等。

全局平均池化：

全局最大池化：

全局平均池化聚合盡可能地保留了原始深度特征圖的整體信息，弱化了個體的激活信息;相應(yīng)地全局最大池化則保留特殊的個體激活信息，損失了整體信息。通過區(qū)域檢測子加權(quán)后的深度特征張量，已經(jīng)提取了原始深度特征中不同的個體區(qū)域激活信息，本文的特征聚合方法只需盡可能保留深度特征的整體信息，因此選取全局平均池化方法進(jìn)行特征聚合。

2.2.2 區(qū)域加權(quán)的深度特征聚合

使用選取的W×H維2D“概率建議”對C×W×H維的深度卷積特征進(jìn)行加權(quán)并使用全局平均池化方法聚合特征：

φn=1W×H此處原來為小寫的w×h，為與上面保持一致，改為大寫的，符合表達(dá)吧？∑Wx=1∑Hy=1（ωn（x，y）F（x，y））（8）

因子ωn（x，y）原來此處是ωn，感覺不對，為與式（8）中的書寫保持一致，修改為現(xiàn)在，符合表達(dá)吧？為根據(jù)本文選取“概率建議”對應(yīng)位置（x，y）激活值vn（x，y）的歸一化權(quán)重：

將不同“概率建議”區(qū)域檢測子加權(quán)聚合得到的局部區(qū)域特征向量連接起來作為全局深度特征表示，選取N個“概率建議”區(qū)域檢測子，得到對應(yīng)的局部區(qū)域深度特征聚合向量φn，維度為c，簡單地將這些局部區(qū)域深度特征聚合向量連接成為用于后續(xù)處理需要的全局深度特征聚合向量Φ=[φ1，φ2，…，φN]，針對不同的檢索任務(wù)可調(diào)整選取的“概率建議”個數(shù)來平衡算法執(zhí)行效率和檢索精度。

2.2.3 全局深度特征向量降維白化

全局深度特征向量是通過多個區(qū)域檢測子加權(quán)聚合的局部深度特征向量連接而來，維度為N×C，鑒于圖像檢索任務(wù)的特殊性，需要提取和保存數(shù)據(jù)庫中所有樣本圖像的全局特征向量，這使得后續(xù)相似性度量以及擴(kuò)展查詢階段的計(jì)算效率低、內(nèi)存消耗代價巨大，因而需要對提取的全局深度特征向量進(jìn)行主成分分析（Principal Component Analysis， PCA）降維和白化處理[25]。

作為一種常見的降維手段，PCA的思想是將n維特征映射到k維上，且這k維為正交特征，即主元特征。具體地，先尋找方差最大方向作為第一個坐標(biāo)軸，接著尋找與第一個坐標(biāo)軸正交且方差最大的坐標(biāo)軸，依此類推最后得到這k個坐標(biāo)軸，將原始特征向量投影到這k個坐標(biāo)軸即得到降維后的k維特征向量，將得到的k維特征向量進(jìn)行白化，得到最終的檢索特征向量：

其中：Vpca是PCA矩陣，σ1，σ2，…，σk為相關(guān)奇異值。

PCA降維舍棄一些冗余維度信息，提高了總體的檢索效果，深度卷積特征聚合中會產(chǎn)生很多不利于圖像檢索的噪聲信息，PCA降維產(chǎn)生去噪的效果，從而提高最終特征向量的判別力和魯棒性。

2.3 拓展查詢

為進(jìn)一步提升最終檢索精確度，本文增加了拓展查詢（Query Expansion， QE）[26]步驟，在第一次查詢階段，通過計(jì)算數(shù)據(jù)庫中待檢索圖像深度特征向量Φ0與數(shù)據(jù)庫中所有圖像深度特征向量的空間距離，得到數(shù)據(jù)庫中排名前t的圖像深度特征向量{d1，d2，…，dt}。對這t個深度特征向量進(jìn)行均值求和，重新歸一化處理得到新的待檢索圖像深度特征向量表示davg：

將新待檢索圖像深度特征向量davg在數(shù)據(jù)庫中再進(jìn)行一次空間驗(yàn)證查詢，得到最終圖像檢索結(jié)果列表。拓展查詢進(jìn)行了兩次空間驗(yàn)證，在提升最終檢索準(zhǔn)確率的同時帶來了算法時間成本上的開銷。

3 實(shí)驗(yàn)結(jié)果

本文將算法在4個標(biāo)準(zhǔn)的實(shí)例檢索數(shù)據(jù)庫上進(jìn)行：

均值平均精度（mean Average Precision， mAP）[29]作為圖像檢索中重要的評價指標(biāo)，遵循Oxford數(shù)據(jù)庫中給出的計(jì)算方式。不同檢索圖像對應(yīng)的數(shù)據(jù)庫ok和good真值文件中標(biāo)記的數(shù)據(jù)庫樣本作為正樣本。對算法得到的檢索序列與正樣本集進(jìn)行召回率（Precision）和準(zhǔn)確率（Recall）的計(jì)算，最終計(jì)算PR曲線對應(yīng)的下面積作為AP值，平均所有檢索圖像的AP值得到作為信息檢索評價指標(biāo)的mAP：

3.1 實(shí)驗(yàn)設(shè)置

采用預(yù)先訓(xùn)練好的VGG16[30]網(wǎng)絡(luò)進(jìn)行特征提取，直接將pool5層輸出的feature map作為后續(xù)算法使用的深度卷積特征，其中通道數(shù)c為512。為證明算法的廣泛性和可靠性，對比實(shí)驗(yàn)了微調(diào)后的ResNet101[30]網(wǎng)絡(luò)深度特征，通道數(shù)為2048。由于只需要網(wǎng)絡(luò)的特征提取即全卷積層，輸入原始圖像不需要對尺寸進(jìn)行縮放或裁剪，直接以原始尺寸進(jìn)行輸入。對算法參數(shù)和算法部件的對比實(shí)驗(yàn)展示均是采用VGG16原始網(wǎng)絡(luò)進(jìn)行特征提取。深度特征顯著圖二值化過程中v取值為1，t取值為-0.6。

3.2 算法參數(shù)影響

本文算法包含影響算法效果的超參數(shù)，主要體現(xiàn)在選取“概率建議”的個數(shù)N、降維的最終特征表示維度M。通過實(shí)驗(yàn)來觀察和討論這些超參數(shù)的影響和作用。

本文根據(jù)深度特征顯著性約束的通道重要性排序了深度特征的c個通道，這些重要性靠前的通道激活值與原始圖像的特殊語義信息有關(guān)，選取前N個通道“概率建議”作為區(qū)域檢測子來加權(quán)聚合深度特征，實(shí)驗(yàn)結(jié)果如表1。

實(shí)驗(yàn)使用全局平均池化聚合，并通過PCA降維至4096維。觀察表1，根據(jù)兩個數(shù)據(jù)庫的整體效果，選擇“概率建議”的個數(shù)在20～25效果最佳，僅選取通道重要性前1/20的通道“概率建議”作為區(qū)域檢測子，算法達(dá)到最佳狀態(tài)，與選取所有通道作為區(qū)域檢測子相比在兩個標(biāo)準(zhǔn)數(shù)據(jù)庫上提升2.6個百分點(diǎn)，且計(jì)算復(fù)雜度也僅為選取所有通道的1/20，證明了排序算法的優(yōu)異效果。在達(dá)到最優(yōu)狀態(tài)后隨著選取的區(qū)域探測子增多效果反而下降，由于深度卷積特征中不同的通道不僅含有一些有利于圖像檢索的圖像前景特殊語義信息，也具有例如背景光照、背景紋理等一些冗余甚至是不利于圖像實(shí)例檢索的語義內(nèi)容，這也驗(yàn)證了通道排序算法篩選了圖像前景中高判別力的語義區(qū)域。只需選取1/20的“概率建議”進(jìn)行區(qū)域檢測加權(quán)聚合，這極大地節(jié)省深度特征提取階段的計(jì)算量和內(nèi)存消耗。

針對全局平均池化和全局最大池化方法在第2章進(jìn)行了理論上的分析，考慮到區(qū)域檢測子提取了深度特征的個體區(qū)域信息，算法選擇使用全局平均池化方法，并與全局最大池化方法進(jìn)行對比，檢索效果如表2所示。

觀察表2結(jié)果，使用全局平均池化方法要比全局最大池化的檢索效果更優(yōu)秀。實(shí)驗(yàn)選取25個區(qū)域檢測子并通過PCA降維至4096維度。使用全局平均池化方法的mAP相比全局最大池化方法在Oxford和Paris數(shù)據(jù)庫上可以總體帶來8.15個百分點(diǎn)的提升分別有4.43和3.72個百分點(diǎn)的提升。

在圖像實(shí)例檢索任務(wù)中，數(shù)據(jù)庫圖像對應(yīng)的最終圖像表示Φpca是檢索系統(tǒng)的最終端，在實(shí)際應(yīng)用中，需要存儲數(shù)據(jù)庫中每一幅圖像的全局表示，檢索過程中也是對圖像的全局表示進(jìn)行相似性度量，所以圖像檢索任務(wù)的內(nèi)存消耗和效率都直接與最終圖像表示Φpca的維度M有關(guān)。表3是本文選取不同PCA最終降維維度的結(jié)果。

觀察表3不難發(fā)現(xiàn)在維度128～4096中保持維度越大圖像檢索的效果越好的特點(diǎn)，即檢索效果與內(nèi)存消耗成反比。這可以理解為維度越大在經(jīng)歷PCA降維后留下來的主成分分量越多，包含具有分辨力的特征信息就越多，最終的檢索效果就越好。與早期使用傳統(tǒng)特征的詞袋模型上萬維度相比，這樣是深度特征模型的優(yōu)勢，深度特征代表了更高層次的語義信息而不是圖像底層的顏色、梯度等圖像基本特征。對于Paris6K數(shù)據(jù)庫的實(shí)驗(yàn)結(jié)果，2048維度的mAP值與4096維相比更高一些，一定程度上反映了PCA降維算法的作用以及本文“概率建議”通道選取的可靠性。與其他固定維度的深度特征算法相比，本文算法提供了最終PCA降維維度的選擇，可以根據(jù)不同數(shù)據(jù)庫、不同任務(wù)需求來選擇最終圖像表示維度，具有很大的靈活性。

區(qū)域檢測子選取數(shù)量N與維度M的最佳狀態(tài)是相互影響的，特征維度M越小，對區(qū)域檢測子的語義顯著性要求越高，最佳“概率建議”通道數(shù)N也越小;反之，特征維度M越大，對區(qū)域檢測子的語義多樣性要求越高，最佳“概率建議”通道數(shù)N也就越大。

3.3 與主流算法對比

在現(xiàn)有未進(jìn)行任何微調(diào)的VGG16卷積神經(jīng)網(wǎng)絡(luò)框架下，本文算法與當(dāng)前一些主流算法結(jié)果進(jìn)行比較，對比全局特征向量維度為512維下的結(jié)果（如表4～5），本文算法的mAP值，與當(dāng)前的主流算法PWA[15]“主流算法”指代不清晰，需指明哪個文獻(xiàn)算法？是“PWA[15]算法”嗎？請明確。相比在Oxford5K上提升了1.4個百分點(diǎn)，在Paris6K上提升了0.5個百分點(diǎn)。本文算法維度提升至4096維度，最終在Oxford5K上提升了0.5個百分點(diǎn)，在Paris6K上提升了0.8個百分點(diǎn)。與Tri-embedding、FAemb、RVD-W這些傳統(tǒng)的“BoW模型”方法相比，本文算法在提升檢索的準(zhǔn)確率的同時，對空間和時間消耗也大幅度降低。本文算法的深度特征語義加權(quán)聚合與R-MAC、SPoC、CroW等算法相比，充分考慮了語義區(qū)域的不規(guī)則性以及顯著性區(qū)域的重要性。

算法通過加入擴(kuò)展查詢等后處理手段來提升整體算法效果，本文算法在QE=10時檢索效果有了大幅度提升。512維度情況下在Oxford5K和Paris6K數(shù)據(jù)庫上共提升了3.3個百分點(diǎn)分別提升了1.6和1.7個百分點(diǎn)這個描述不清晰，需指明是分別提升了哪兩個百分點(diǎn)（需兩個數(shù)值）。，對比PWA算法，本文算法通過改進(jìn)該算法的通道排序算法和深度特征聚合算法在四個主流數(shù)據(jù)庫上的表現(xiàn)均有明顯提升。在維度較低情況下，Paris106K數(shù)據(jù)庫上的表現(xiàn)在使用擴(kuò)展查詢前后相比當(dāng)前主流算法效果稍差一些，考慮是由于加入的10K100K數(shù)據(jù)庫中的圖像背景較為豐富，算法在選取顯著性語義區(qū)域而忽略了背景信息，導(dǎo)致在顯著前景特征維度不足的情況下，背景信息特征也具有較強(qiáng)的分辨力。

本文對使用微調(diào)后的ResNet101網(wǎng)絡(luò)進(jìn)行相同的對比實(shí)驗(yàn)，比較當(dāng)前主流算法使用微調(diào)或端到端訓(xùn)練的圖像檢索網(wǎng)絡(luò)的檢索效果。與文獻(xiàn)[15]中使用的方法一致，本文也根據(jù)文獻(xiàn)[14]端到端訓(xùn)練的方法對ResNet101進(jìn)行微調(diào)，并提取res5c_relu層的輸出最為原始圖像的深度特征，其中通道數(shù)c=2048。對比當(dāng)前主流算法NetVLAD（Network with Vector of Locally Aggregated Descriptors layer）、CNNBoW（CNN image retrieval learns from BoW）、DeepRepresentation（learning Deep Representations for image search請補(bǔ)充NetVLAD、CNNBow、DeepRepresentation的英文全稱）等，本文算法在進(jìn)行過微調(diào)后的網(wǎng)絡(luò)結(jié)構(gòu)中效果同樣要優(yōu)于這些主流的進(jìn)行過訓(xùn)練的方法。

4 結(jié)語

本文在PWA算法的基礎(chǔ)上提出了全新無監(jiān)督基于深度卷積特征顯著性約束的通道重要性排序算法，優(yōu)化選取“概率建議”步驟。本文使用的區(qū)域探測子更加符合語義顯著性，所提取聚合的特征向量更加豐富，在特征維度被降到較低維度時效果也十分優(yōu)秀。在特征聚合階段使用全局平均池化相比全局最大池化提高了聚合后特征向量的判別力，在各種維度情況下效果均提升明顯。本文提出的無監(jiān)督算法不依賴于深度神經(jīng)網(wǎng)絡(luò)的狀態(tài)，不論基于現(xiàn)有的通用圖像特征提取網(wǎng)絡(luò)，還是基于特殊環(huán)境和任務(wù)微調(diào)后的網(wǎng)絡(luò)，都可以進(jìn)行語義加權(quán)的特征聚合以供圖像檢索使用。

參考文獻(xiàn) （References）

[1] ZHENG L， YANG Y， TIAN Q. SIFT meets CNN： a decade survey of instance retrieval [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（5）： 1224-1244.

[2] 董健.基于加權(quán)特征空間信息視覺詞典的圖像檢索模型[J].計(jì)算機(jī)應(yīng)用，2014，34（4）：1172-1176.（DONG J. Visual vocabulary with weighted feature space information based image retrieval model [J]. Journal of Computer Applications， 2014， 34（4）： 1172-1176.）

[3] LOWE D G. Distinctive image features from scale-invariant key-points [J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.

[4] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks [C]// Proceedings of the 25th International Conference on Neural Information Processing Systems. New York： ACM， 2012： 1097-1105.

[5] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 770-778.

[6] REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 39（6）： 1137-1149.

[7] 姜楓，顧慶，郝慧珍，等.基于內(nèi)容的圖像分割方法綜述[J].軟件學(xué)報，2017，28（1）：160-183.（JIANG F， GU Q， HAO H Z， et al. Survey on content-based image segmentation methods [J]. Journal of Software， 2017， 28（1）： 160-183.）

[8] ARYA S， MOUNT D M， NETANYAHU N S， et al. An optimal algorithm for approximate nearest neighbor searching fixed dimensions [J]. Journal of the ACM， 1998， 45（6）： 891-923.

[9] 劉兵，張鴻.基于卷積神經(jīng)網(wǎng)絡(luò)和流形排序的圖像檢索算法[J].計(jì)算機(jī)應(yīng)用，2016，36（2）：531-534.（LIU B， ZHANG H. Image retrieval algorithm based on convolutional neural network and manifold ranking [J]. Journal of Computer Applications， 2016， 36（2）： 531-534.）

[10] BABENKO A， SLESAREV A， CHIGORIN A， et al. Neural codes for image retrieval [C]// Proceedings of the 2014 European Conference on Computer Vision. Berlin： Springer， 2014： 584-599.

[11] RAZAVIAN A S， AZIZPOUR H， SULLIVAN J， et al. CNN Features off-the-shelf： an astounding baseline for recognition [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 512-519.

RAZAVIAN A S， SULLIVAN J， CARLSSON S， et al. Visual instance retrieval with deep convolutional networks [J]. ITE Transactions on Media Technology and Applications， 2016， 4（3）： 251-258.

[12] KALANTIDIS Y， MELLINA C， OSINDERO S. Cross-dimensional weighting for aggregated deep convolutional features [C]// Proceedings of the 2016 European Conference on Computer Vision. Berlin： Springer， 2016： 685-701.

[13] RADENOVIC F， TOLIAS G， CHUM O. CNN image retrieval learns from BoW： unsupervised fine-tuning with hard examples [C]// Proceedings of the 2016 European Conference on Computer Vision. Berlin： Springer， 2016： 3-20.

[14] GORDO A， ALMAZN J， REVAUD J， et al. Deep image retrieval： learning global representations for image search [C]// Proceedings of the 2016 European Conference on Computer Vision. Berlin： Springer， 2016： 241-257.

[15] XU J， SHI C， QI C， et al. Unsupervised part-based weighting aggregation of deep convolutional features for image retrieval [C]// AAAI 2018： Proceedings of the 35th AAAI Conference on Artificial Intelligence. Menlo Park， CA： AAAI， 2018： 7436-7443.

[16] ZEILER M D， FERGUS R. Visualizing and understanding convolutional networks [C]// Proceedings of the 2014 European Conference on Computer Vision. Berlin： Springer， 2014： 818-833.

[17] SELVARAJU R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization [C]// Proceedings of the 2017 IEEE International Conference on Computer Vision. Washington， DC： IEEE Computer Society， 2017： 618-626.

[18] HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [C]// Proceedings of the 2014 European Conference on Computer Vision. Berlin： Springer， 2014： 346-361.

[19] CHENG M M， ZHANG Z， LIN W Y， et al. BING： binarized normed gradients for objectness estimation at 300fps [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 3286-3293.

[20] HE K， GKIOXARI G， DOLLR P， et al. Mask R-CNN [C]// Proceedings of the 2017 IEEE International Conference on Computer Vision. Washington， DC： IEEE Computer Society， 2017： 2980-2988.

[21] BEEL J， GIPP B， LANGER S， et al. Paper recommender systems： a literature surveyResearch-paper recommender systems： a literature survey [J]. International Journal on Digital Libraries， 2016， 17（4）： 305-338.

[22] TOLIAS G， SICRE R， JGOU H. Particular object retrieval with integral max-pooling of CNN activations [EB/OL]. （2016-02-24） [2018-05-21]. https：//arxiv.org/abs/1511.05879.

[23] RAZAVIAN A S， SULLIVAN J， CARLSSON S， et al. Visual instance retrieval with deep convolutional networks [J]. ITE Transactions on Media Technology and Applications， 2016，4（3）： 251-258.

RAZAVIAN A S， SULLIVAN J， MAKI A， et al. A baseline for visual instance retrieval with deep convolutional networks [EB/OL]. （2016-05-09）[2018-05-21]. https：//arxiv.org/abs/1511.05879.

[24] BABENKO A， LEMPITSKY V. Aggregating local deep features for image retrieval [C]// Proceedings of the 2015 IEEE International Conference on Computer Vision. Washington， DC： IEEE Computer Society， 2015： 1269-1277.

[25] JGOU H， CHUM O. Negative evidences and co-occurences in image retrieval： the benefit of PCA and whitening [C]// Proceedings of the 2012 European Conference on Computer Vision. Berlin： Springer， 2012： 774-787.

[26] CHUM O， MIKULIK A， PERDOCH M， et al. Total recall II： query expansion revisited [C]// Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2011： 889-896.

[27] PHILBIN J， CHUM O， ISARD M， et al. Object retrieval with large vocabularies and fast spatial matching [C]// Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2007： 1-8.

[28] PHILBIN J， CHUM O， ISARD M， et al. Lost in quantization： improving particular object retrieval in large scale image databases [C]// Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2008： 1-8.

[29] EVERINGHAM M， GOOL L V， WILLIAMS C K I， et al. The Pascal Visual Object Classes （VOC） challenge [J]. International Journal of Computer Vision， 2010， 88（2）： 303-338.

[30] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [EB/OL].（2015-04-10）[2018-05-21]. https：//arxiv.org/abs/1409.1556.

[31] JGOU H， ZISSERMAN A. Triangulation embedding and democratic aggregation for image search [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 3310-3317.

JGOU H， ZISSERMAN A. Triangulation embedding and democratic aggregation for image search [C]// Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 3310-3317.

[32] DO T T， TRAN Q D， CHEUNG N M. FAemb： a function approximation-based embedding method for image retrieval [C]// Proceedings of the 2015 IEEE International Conference on Computer Vision. Washington， DC： IEEE Computer Society， 2015： 3556-3564.

[33] HUSAIN S， BOBER M. Improving large-scale image retrieval through robust aggregation of local descriptors [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39 （9）： 1783-1796.

[34] XIE L， ZHENG L， WANG J， et al. Interactive： Inter-layer activeness propagation [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 270-279.

[35] ARANDJELOVIC R， GRONAT P， TORII A， et al. NetVLAD： CNN architecture for weakly supervised place recognition [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 5297-5307.