基于卷积神经网络提取图像特征的方法被广泛应用到图像检索中,主要研究内容为设计良好的特征提取方式。为了提高图片全局特征评估检索准确率,对基于特征融合的深度学习图像检索算法进行分析。通过对不同特征提取方式进行测试,提出融合不同卷积层进行特征提取的策略,并且对提取效果进行分析。测试结果显示,检索准确率比单层卷积层提取特征的准确率要高;利用注意力机制融合特征发现通道信息的注意力机制可以提高检索准确率,而空间信息的注意力机制会降低原始信息的可区分度和检索准确率。

针对工业场景下高频工件多视角识别精度低的问题,提出一种深度度量学习的高频工件图像检索方法。首先搭建基于卷积神经网络的图像特征向量编码模型,采用差异性损失(Different Loss)提取工件图像的私有特征和公共特征,通过相似度损失(Similarity Loss)融合多视角图像的公共特征获得初级嵌入向量;然后利用三元组中心损失(Triplet-Center Loss)以减小类内距离和增大类间距离为准则监督嵌入向量的学习,获得鲁棒性强的嵌入向量;最后以该嵌入向量表示高频工件图像的特征编码,实现多视角高频工件的图像检索。实验结果表明,提出的方法比单视角特征编码具有更强的表征能力,其检索准确率提高了8.95%;在相同网络结构下,提出的模型比其他网络模型的检索准确率高出9.68%。