利用CNN和迁移学习实现基于AI的特征描述符设计，以提高图像检索的准确性与效率

《Scientific Reports》：AI-driven feature descriptor design using CNNs and transfer learning for enhanced image retrieval accuracy and efficiency

　　

摘要

图像检索系统依赖于强大且具有区分能力的特征描述符，以实现高效的内容基图像检索。传统的手工设计的描述符，如SIFT和SURF，虽然计算效率较高，但在处理大规模数据集、不同领域的图像以及语义表达方面存在局限性。为解决这些问题，本文提出了一种基于卷积神经网络和迁移学习的AI驱动型特征描述符框架。该框架利用预训练的架构，如ResNet和VGG，并结合主成分分析进行降维处理，同时采用基于注意力的池化方法，从而生成简洁且语义丰富的特征表示。在标准化的实验环境中，该框架在Oxford5k、Paris6k和Holidays等基准图像检索数据集上进行了测试。定量结果显示，所提出的方法的平均精度均值达到了85.9%，优于传统的手工设计描述符以及基础CNN特征。此外，通过主成分分析，高维度的CNN特征（例如2048维）可被压缩到128维度，从而显著提升存储效率和检索速度。总体而言，所提出的方法在检索精度、计算效率以及在不同图像领域的适应性之间取得了良好的平衡，非常适合用于大规模的实际内容基图像检索应用。