معرفی یک واحد هش مبتنی بر باقیمانده جهت بازیابی تصویر مبتنی بر محتوی

در این مقاله، رویکردی نوین برای بازیابی تصویر مبتنی بر تولید هش‌های موثر با استفاده از معماری شبکه سیامیز ارائه می‌شود. هدف اصلی این روش، افزایش دقت بازیابی تصاویر مشابه از مجموعه‌های بزرگ داده با کاهش فضای جستجو و بهبود مقیاس‌پذیری سیستم است. در رویکرد پیشنهادی، شبکه densenet201 به‌عنوان شبکه‌بنیاد برای استخراج ویژگی‌های عمیق مورد استفاده قرار گرفته و این ویژگی‌ها با کمک شبکه سیامیز به هش‌هایی فشرده و قابل مقایسه تبدیل می‌شوند. شبکه سیامیز از مکانیزم اتصال جابجایی برای بهبود یادگیری و کاهش مسائل مربوط به گرادیان‌های ناپدیدشده استفاده می‌کند. همچنین، برای آموزش موثر شبکه، از تابع هزینه حاشیه سه‌تایی بهره گرفته شده که بر شباهت هش‌های تصاویر مشابه و تمایز آن‌ها از تصاویر غیرمشابه تمرکز دارد. علاوه بر این، معیار شباهت اقلیدسی به‌عنوان یک روش محاسباتی ساده و کارآمد برای مقایسه هش‌ها به کار رفته است. نتایج آزمایش‌ها نشان می‌دهد که رویکرد ارائه‌شده با تولید هش‌های فشرده و دقیق، عملکرد بهتری نسبت به روش‌های موجود در بازیابی تصویر از خود نشان می‌دهد و کاربردهای متنوعی در سیستم‌های بازیابی تصویر پیشرفته دارد.

introduction to a residual-based hashing unit for content-based image retrieval

in this paper, a novel approach for image retrieval based on generating effective hashes using a siamese network architecture is proposed. the main goal of this method is to improve the accuracy of retrieving similar images from large datasets by reducing the search space and enhancing the scalability of the system. in the proposed approach, the densenet201 network is used as the backbone network for extracting deep features, and these features are transformed into compact and comparable hashes with the help of the siamese network. the siamese network utilizes a shift connection mechanism to improve learning and reduce issues related to vanishing gradients. furthermore, to effectively train the network, a triplet margin loss function is employed, focusing on the similarity of hashes for similar images and their distinction from dissimilar images. additionally, the euclidean similarity metric is used as a simple and efficient computational method for comparing hashes. experimental results demonstrate that the proposed approach, by generating compact and precise hashes, outperforms existing methods in image retrieval and has diverse applications in advanced image retrieval systems.