文摘
本文深入研究和分析了大型旅游景点图像检索使用多元线性回归方程的方法。这个特征提取方法通常依赖于网格的划分,只有不同的图像的整体相似度高时有效。转炉模型是借用了文本检索的方法,通常提取图像的地方特色的尺度不变特征变换算法和集群使用 - - - - - -意味着获得一个低维的视觉词典和特征直方图的图像特征向量基于视觉词典。然而,当有很多种图像,视觉字典的维数会大,不便于构造转炉模型。最后完全连接层作为图像特征,它是dimensionalized的主成分分析方法,然后,构造低维特征索引结构使用基于locality-sensitive散列——(激光冲徊化)的近似最近邻算法。图像检索的准确性已经增加了8%。特征提取的优点卷积神经网络和散列索引结构的高效检索用于解决传统方法的缺陷在图像检索的准确性和其他方面。结果表明,与上述两种算法相比,大部分景点,该方法相对较明显的优势在检索的准确性,当很少有类似的图像吸引特定的吸引力的图像库,查询结果的准确性并没有太大的不同于前两种方法。
1。介绍
随着计算机技术的快速发展,出现了各种电脑相关的学科。计算机视觉作为一个重要的学科,涉及广泛和广泛的研究。图像特征提取是计算机视觉的一个重要概念,在多年的研究中,许多学者还发现了几个最基本的图像特征图像。这些特性被广泛的使用,因为他们很容易提取,得到了广泛应用,并能准确地描述图像,以及其他属性。图像特征提取是图像处理的关键技术,和提取的图像特征是用于执行数字图像匹配和图像检索根据匹配结果(1]。现有的图像检索技术提供技术支持的研究和实现导游系统。随着大数据的时代,如何收集、存储、和处理大数据已逐渐成为各行各业的紧急问题,所以面对如此大规模的旅游景点的形象,如何快速、准确地检索相应景点的相关信息具有重要意义,将有助于改善中国旅游行业的操作,优化产业结构,提高中国旅游产业的竞争力在国际舞台上(2]。总之,旅游业的快速发展和大数据时代的到来,它具有重要的实用价值,实现快速、准确的检索大规模旅游景点的形象,必将促进中国旅游业的进一步发展。
本文运用旅游网站的推荐系统,它不仅可以提高用户的满意度的建议但也有重要的应用价值改进相关的旅游网站。从理论的角度来看,本文结合了潜在语义空间分析模型和视觉贝叶斯个性化排名(VBPR)首次提出了一种新的混合推荐模型多通道视觉贝叶斯个性化的排名,这是一个对推荐系统的理论方面的贡献(3](稀疏问题),改善用户交互体验,从而促进旅游业更好的发展。理想的分析智能景区建设系统需要做从游客的角度来看。游客在旅游产业占据主要地位,和解决旅游供给和需求之间的矛盾是两者之间的沟通桥梁4]。在景区、智能旅游应该建立以游客为中心,每一次游客参观景点,就像把自己在互联网上的事情,利用云计算和其他信息技术大数据的统计和分析游客的需求,然后从准确的数据,为游客提供智能景区的起点,目的地,计划和行程。在客人离开之前,他们也可以有一个吸引力的虚拟体验,这意味着他们可以查看它的吸引力和有一个全面的理解在互联网上,生产方式来吸引游客,如旅游卡通和漫画;游客景点可以扫描二维码代理商手中通过使用移动设备,这将自动保存访问者的信息,确保不会丢失票。
如果我们可以使用手机,现在智能,设计和实现一个强大的和方便的导游系统软件,它将能够为旅客提供很大的便利如下:减少旅行的费用,最适合他们的旅行计划,并显著提高旅游的质量和服务水平的手机信息技术。本文的研究工作主要包括两个部分:移动应用程序的移动程序开发的智能旅游指南系统使用Android原生开发技术,主要负责实现图像采集和预处理的功能,包括紧凑CDVS风景区图像的特征提取和检索结果的显示,推动信息从服务器端应用程序;开发服务器端应用程序基于c++技术,和服务器端应用程序主要负责接收请求获取移动终端的吸引力,吸引完成准确检索基于图像特征和GPS从移动终端发送的信息,并将检索结果和相关景点信息移动终端的显示。通过引入基于CDVS可视化检索技术特性智能导游系统,本文实现了精确的位置和准确识别景点大大提高景点的位置和识别的准确性,提供技术保证随后的准确推周围的旅游景点信息和商业信息,从而提高导游系统的用户体验。因此,本文的工作具有较大的理论研究价值和实际应用价值。
2。现状的研究
目前大规模使用基于内容的图像检索,大部分的图像特征提取图像的底层特征,可用于图像检索的基础,并且可以分为全局特征和局部特征检索方法根据底层特征(5]。图像的全局特征把图像作为一个整体并提取其全球特征信息直接通过一些全局特性描述方法,使得特征提取方便、便于检索,但这种方法提取的特性只关注图像作为一个整体,忽略图像的细节信息,对图像质量(通常有很高的要求6]。这特征提取方法取得了很好的研究,一般通过一些特征提取方法得到的多个地方特色图像,然后综合描述整个形象;使用这种方法可以得到图像的细节特征,但忽略了图像的整体信息,通常,提取的局部特征更加复杂,在大规模图像检索(7]。多线程在这部分起着非常重要的作用。使用多线程编程允许程序同时执行多个任务。特征提取时可以切换界面,特征提取的结果可以显示在同一时间发送请求。这多步同步方法可以确保系统的整体运行效率的提高。它有一定的对大规模图像检索的检索效率的影响。它非常易于使用:您只需要输入目的地信息或其定位信息,周边餐饮信息、加油站、和旅游领域,以及一系列的信息可以非常清楚地显示出来,所以这个电子导游可以接受很多游客和可广泛投入使用(8]。然而,对于一个图片,介绍了景区游客感兴趣和想要达到,很难获得相应的旅游信息,甚至无法确定目标和制定一个旅游计划9]。存在许多导游工具以及导游系统应用在旅行过程中。缺乏一个系统,可以用来确定游客旅游地点和促进旅游规划。
通常在大型图像检索,需要构造一个低维索引方法的特征向量提取图像的全局特征后,和大多数的索引方法构建基于全局特征的描述使用最近邻或近似最近邻检索方法(10]。一个是经典k d ( - - - - - -维)树的方法,这是一个经典的最近邻检索方法,主要基于原始特征数据建立分级索引结构,然后我们从树的根节点搜索查找子节点就像查询图像;这种方法更好的检索效率相对较低的维度时比数据维数很高时(11]。检索的复杂性是相对较高的。另一个是执行集群特征向量量化分析。Fujita使用 - - - - - -执行聚类分析的方法建立了树结构,从而导致较低的维数(12]。在此基础上,基恩等人提出了一个层次 - - - - - -意味着树索引结构比较叶节点之间的相似度,适合大规模图像检索(13]。另一种方法是locality-sensitive散列(激光冲徊化)为基础的方法近年来在图像检索中使用散列的学习,这是一种近似最近邻搜索方法(14),提高用户的互动体验,从而有助于更好的发展旅游产业。理想的智能景区建设系统的分析需要从游客的角度出发。的主要方法是将原始空间映射到汉明空间和构造多个哈希函数在相应的条件下,即,两个向量的概率中相邻或类似的原始空间足够相似后被散列映射到汉明空间。哈希函数可以对高维向量编码成二进制形式,具有明显的优势在k d树在大规模图像检索方法,和激光冲徊化方法占用较少的存储空间和具有更明显的优势当数据维数比较大(15]。
首先,我们介绍当前研究的背景和意义移动导游,分析系统在国内外的现状,并介绍本文的研究内容给予它的问题;我们设计和实现一个智能导游系统。列出的总体设计框架;然后,每个子模块的设计思想框架的扩展和介绍,具体包括图像采集和视觉特征提取在移动方面,全球特征代在移动方面,分布式反向索引建设在服务器端,吸引力位置根据实时图像检索和信息推送、等;最后,介绍了设计系统的版本和操作。根据目标用户的兴趣偏好的最相似的邻居,目标用户对推荐对象的偏好程度预测,并系统提出建议到目标用户根据偏好水平。这个推荐系统的最大优势是没有特殊要求推荐的对象,它可以推荐对象很难代表在文本结构。然而,由于推荐对象的用户评分数据项的总数相比非常小,这种类型的系统数据稀疏的问题。
3所示。多元线性回归方程对大规模的旅游景点图像检索设计
3.1。多元线性回归方程算法分析
非负矩阵分解(NMF)是给定的原始矩阵分解为两个矩阵的乘积,两者都是负的,分解两个矩阵相乘的结果是约等于原始矩阵。
假设是一个 矩阵,和是 - - - - - -维, - - - - - -维的非负矩阵,分别。通常满足 。因为分解矩阵添加了非负约束,两个分解矩阵的乘积几乎等于原始矩阵,并分解矩阵只能尽可能等于预分解矩阵。因此,非负矩阵分解转化为如下优化问题(16]:
基于高斯-拉普拉斯算子(日志)的兴趣点检测算法使用CDVS使用多项式近似日志过滤效果,称为低阶多项式(高山)。
four-octave图像过滤高斯拉普拉斯算子的滤波规范化原始图像的规模。高山算法使用点的一阶导数多项式大规模0作为兴趣点通过计算多项式,后来比较极性值和周围的8个相邻像素点在平面上感兴趣的点,如图1。
分层抽样统计模型分类样本在地层的特征分布总体单位,以减少在每个阶层的差异,同时增加地层之间的差异。在此基础上,一定数量的样本是来自每一层分别描述了地层的分布和构成总体的样本。因为样品是合理分层,分层抽样统计模型可以更好地捕捉用户的旅游偏好,为更准确的生成奠定基础的推荐列表(17]。服务器端应用程序是基于c++开发的技术。服务器端程序主要负责从移动终端接收风景区检索请求并完成的准确检索风景区根据图像特征和GPS移动终端发送的信息。设置采样数据的权重主观赋值评价方法的基础上,应用层次分析来调整不同的用户属性的权重;即。相比,相同级别的相对重要性是建立一个新的判别矩阵,并确定每个用户属性的权重根据判别矩阵。
一个图像 的大小与一组二维伽柏过滤器的过滤和方向 。这一步实际上是一个与图像卷积操作使用该滤波器组,分别在二维滤波器的数学表达式可以表示如下:
纹理特征是另一个重要的全球描述性特性。纹理特征描述当地的空间分布图像,包括当地的光强度信息,和通常用来区分图像含有丰富的信息,也有类似的颜色,还是不容易。这个特性可以描述图像的整体结构,基于灰度的关系图像响应完整图像区域值,并不会影响当地的极端和引起失配、旋转不变性,并不是显著受到噪声的影响,及其研究成果已经应用于许多重要的领域。由于上面的纹理的属性特征,纹理特征可以扮演一个好的角色区分风景和建筑在不同的国家和地区。图像的纹理特征通常反映在热电联产矩阵的形式,和灰度热电联产矩阵反映了灰度图像的方向,相邻像素之间的相关性,和转换的振幅值,这是一个更常见的方法来分析局部纹理的分布图像。
转炉模型是一项功能,广泛应用于图像处理领域。借鉴以前文档表示方法用于检索信息,如文本、转炉模型替换文本的文本与图像检索模型,并使用同样的想法或检索图像进行分类。bag-of-words模型中的文本信息检索,文档,不管语序和句子语法的内容文档,它被视为许多单词的组合,并在文档中每个词的出现是随机的;即。文档中,任何一个词的发生无关——换句话说,文档中的内容是无序的。
代表图像的面积。如果我们比较一个图像文件,这样的一组图像相当于一组文档和图像的功能相当于文档中的词,即。,这里的图像可以理解作为一个整体的“视觉单词,”在这些视觉单词,没有秩序。然后,我们可以将文本检索方法应用到图像检索,例如,在大规模图像检索领域,使用文本处理的效率提高大规模图像检索的速度。
的图像,图像的“单词”不像的话,通常出现在文本,但图像通常是多维数据集。因此,我们需要做的第一件事就是从图像中提取独立的“视觉语言”,构成视觉词汇表(18]。特征提取的常用方法是SIFT-based特征提取,适合特征提取,形成一个词汇向量,因为良好的独特性特征提取的筛选算法和它所包含的图像信息的丰富性。使用筛选算法,从每个类型的视觉词汇提取图像集,和所有的视觉词汇形成视觉词汇向量,如图2。
由于图像的自然属性,图像的统计特性在一个部分是一样的在其他地区的形象。所以,我们可以用学习的特性在其他地区形象的一部分,使参数共享。例如,当我们选择任意区域从图像和小样本,我们从这个小样本学习一组特性,然后,这个集合的特性应用于图像的其他部分,和功能是用作检测器与原始图像卷积,我们可以得到不同的图像的特征值在不同的位置。卷积神经网络,每个卷积的卷积内核层图像做卷积操作得到整幅图像的某方面的特点。每个卷积内核将共享相同的参数,以便进行图像特征提取时,没有必要知道的位置地方特色的形象,同时也可以减少网络卷积神经网络的参数。
卷积后的特性是通过上述计算,理论上他们可以直接使用功能基础训练分类器,但它的计算量非常容易过度拟合。考虑到自然图像的固有属性,一个地区的特点也适用于另一个地区;因此,可以聚合统计特性在不同的位置,和平均或最大价值的特性在当地地区可以计算描述整个地区的专业化。边缘提取算法通常是在实现过程中,采用和边缘连接到提取物体的形状。自然景观图片一般没有固定形状,从景观和形状特征提取图像中存在的城市并不代表不同地区之间,不区分好。这个特征提取方法没有应用价值与其他特性的研究。
服务器端模块是整个系统的关键操作,首次接受从移动客户机发送的图像,从图像中提取特征提取RGB颜色特征、纹理特征,并依据图像的特点,分别使用感知哈希算法排列图像的特性,根据特征值进行图像匹配。通过结合各种基本图像特性和在不同层次上进行过滤,完成基于内容的图像检索,并可获得更为理想的检索结果。在第二阶段的“细分类”,在前一节中描述的RANSAC算法通常是使用,但该算法是计算密集型和需要很长时间来计算。
这些分数量化成一个直方图,之后,最大的值直方图作为衡量两幅图像之间的得分,得分越高表明更大的相似性,然后,候选图像重新排序来获得结果。
为了确保信息的安全,首先,用户登录时,和服务器端会判断根据用户输入的用户名和密码,登录是否成功与否。成功登录后,用户可以选择查询和检索的图像:图像可以来自本地相册,或他们感兴趣的用户可以拍照的图像通过手机摄像头,选择图像检索后,向服务器发送图像,检查从服务器返回的结果检查。
3.2。实验设计为大型旅游景点图像检索
在指导的过程中,用户是主要的,导游系统的设计必须满足用户的需求,向用户提供最大的满意度。设计导游系统应该满足以下设计原则。用户手机,他可以在任何位置保持在任何吸引力。在使用手机时,需要无线通信用户侧和中央处理之间的网站,它允许用户更好的体验方便(19]。计算功能的聚合过程平均的最大值或某一局域描述整个地区的专业化是称为池或将采样。实时反映在两个方面。一个是快速识别用户的位置,因为用户是移动;如果用户的位置不容易识别,似乎用户移动到下一个景点;系统只确认最后一个景点,这是不可行的。另一个是迅速应对变化吸引基础设施维护,环境变化,改变周围的商店。用户社区包括所有年龄段的人都和知识水平,这意味着用户端接口应该是用户友好的,并能够有效运作的老人甚至年长的孩子。
一旦导游系统基于移动可视搜索技术投入运营,用户的数量将激增,许多不可避免的错误操作将发生在使用过程中根据不同用户的不同的认知水平。一个可靠和稳定的导游系统基于移动可视搜索技术必须及时解决用户的错误操作,确保系统的稳定和正常使用。值得注意的是,实际时间和准确性权衡。这是因为为了提高精度,需要大量的计算处理,增加处理时间和减少实时性能。反过来也一样;如果需要改进实时,快速识别是必需的,这将减少精度,如图3。
作为一个创新的概念,智能旅游已被增加旅游企业。除了票务系统,旅游指南系统在智能旅游也是一个突破,使游客更好的旅游体验,同时实现透明显示景点信息。旅游指南系统需要结合人工智能、移动互联网、物联网、和其他技术,游客可以通过手机得到一对一的深入指导服务,满足游客的需求找到有关景点的信息;帮助景区实现全景显示、语音解释,路线规划、信息传递,和其他综合指导服务;,提高景区的服务质量,提高游客的旅游体验20.]。风景区不能实现精确营销、高转换成本和低旅游独立体验。风景区有一个高成本的手册指南,效率低,没有智能导游服务外国游客。使用音频、视频、图片、文本等,作为主要的表现方法,景点信息显示给游客,和客流的问题指导,信息滞后,发挥指导解决。智能导游系统帮助景区为游客提供智能自助服务。通过网络控制系统形成的电子导游在后台硬件设备和中央数据库,信息显示景区对游客的音频,视频,图片,和文本为主要演示方法,解决客流的问题指导、信息滞后和导游。从整个形势,它有助于景区指导流智能;防止旅游景点,线路拥堵等问题;和提高游客的旅游体验。
上的信息处理服务器端包含两个主要步骤:第一个是检索景点,第二个是添加attraction-related信息。基于这两个步骤,数据库分为一个吸引力索引数据库和一个吸引力结构化信息数据库。使用索引数据库的吸引力,吸引力检索步骤是由GPS信息吸引集群过滤模块和视觉搜索优化模块。根据检索到的景点信息和结构化信息数据库的吸引力,吸引结构化信息检索模块添加attraction-related信息和下行信息移动终端。移动终端上显示的信息是通过移动终端的结果显示模块和景点导游模块。移动终端的结果显示模块给吸引的基本信息,和景点导游模块进一步介绍景点的信息,如人文和周围的相关业务信息的吸引力。在本文中,选择一个灰度共生矩阵和应用系统。这种方法计算图像的灰度在每个方向之间的关系,和在不同像素,并反映了图像颜色的空间分布特征和光照强度,如图4。
在这篇文章中,快速、准确的方法使用基于哈希算法的加速设计各种描述符,不同类型的分类器基于人类视觉的角度基于不同的图像特征的特点,使用科学方法和图像相似度的计算,提高了图像检索的准确性,使这个系统更application-worthy。在Flickr上执行图像检索使用带注释的图片下载,并给出实验测试的数据2000随机选择的图片21]。所有的图像分为16个图像集合根据其特性来加速他们的分类检索的图像。根据人类的视觉,本文将使用图像的灰度相关的图像,图像的熵值,即:,第一个分类的图像使用的纹理分布图像和图像的复杂性。
4所示。分析的结果
4.1。多元线性回归的分析算法
本文根据人类的视觉,采用灰度相关的图像和图像分类图像的熵值,即:,第一个分类的图像使用的纹理分布图像和图像的复杂性。当使用相关性进行分类,本文将原始数据集划分为4个子集,许多数据测试后,边界值,可以划分子集。评估相应的所有图像相关性值后,一系列近似的数值,和3值应该最后决定分类子集。为了便于数据的统计,一个值大于某个值是用来比较,和图像的数量如500年,1000年和1500年获得,平等情况下分为统计数据的下一个子集。在此基础上,第二个执行部门,和前面的方法一样,最后用不同的值范围是由连续的实验。图像集上的测试结果也相当精确,并根据相关图所示51001图像相关性会见了一个值大于0.156,第一两组分工完成。
值大于0.076,1501张图片。最后,四个子集包含500张图片,和更大的数据集实验也可以产生更好的结果。基于上述数据,本文确定的值可以满足图像集的平均分布。在下一步中,熵值是用于进一步的分类,再上一步获得的子集是分为四个子集。平均精确率和平均召回率下降,主要是由于在图像数据库的数据量是不同的,不同的景点数量的类似的图片图像数据库与查询图像的不同。精确率略有降低。熵值可以有效地描述图像的复杂性,所以它可以发挥良好的作用分类自然环境和城市建筑,人,动物,等等。然而,如果很多人为因素被添加图像时,它将影响到这一层的分类效果,这个效果将减少的非常大的图像集。基于颜色特征的正常化,相似性计算同时在执行组8号。在计算的过程中,如果指定的相似度不满意,现在的图像计算是丢弃,计算下一个图像的颜色信息,返回的信息的效率和质量可以保证在同一时间。相似的45并导致更少的结果,但超过一半的图像和原来的不一样。 For example, if the main scene depicted in the original image is a mountain peak, then more than half of the images have a mountain peak. In this step of the retrieval process, the similarity is also used to determine the number of images, which is passed into the third feature of the retrieval.
在大型旅游景点图像检索,我们需要查询不同景点的准确性和完整性计算的平均精度和平均完整性多个景点,用于描述查询结果的整体性能。1740年共有400000张图片网上景点,我们为每个景点的顺序返回30类似的图像相似性;查询100、200、500、700、和1000个景点,分别是;和计算的平均准确性和平均完整性属于景点,查询返回的结果如图6。
从图6,我们可以发现,随着查询网站数量的增加,平均搜索准确性和平均搜索完整性降低,主要是由于不同的图像数据库中不同站点的数据量和不同数量的图像查询图像在图像数据库,导致轻微的降低精度。然而,我们也可以发现的整体降低平均精度和平均完整性不是重要的,所以我们可以考虑,本文中使用的方法是稳定的大型旅游景点图像检索。
4.2。图形检索结果,大规模的旅游景点
在图7的召回率,改善VBPR模型明显优于比较基线和上面同样的原因。推荐景点数量的增加,召回率稳步增长,波动较小与NMF和资讯。这表明改进VBPR模型更好地推荐多个景点。混合推荐(HVM)充分利用用户的旅游偏好信息和改进的推荐结果VBPR模型,及其推荐性能是最优的;即。旅游偏好,用户更好平和最终的推荐结果。VBPR模型中扮演主要角色,而用户旅游偏好信息的基础上,分层抽样统计模型中起次要作用。
旅游景点的推荐系统基于分层抽样统计和改进VBPR模型可以有效地提高推荐的性能和更大程度上满足用户的需求,从而缓解数据稀疏问题。和建议的稳定性更好。虽然改善VBPR模型能很好地完成推荐,本章中使用的图像特征都是独立的特性,和多通道语义相关性并不完全探索不同的图像特征,所以推荐的性能还需要改进。
特征提取完成后,应用程序将生成一个字符串提取的特征并将其发送到服务器。因为服务器返回的检索结果是图像的URL,当应用程序接收到返回的结果,再次发送一个请求到服务器获取图像,然后将其显示。这里的每一个网络请求需要一个多线程操作,确保操作效率和用户体验在同一时间。多线程在这部分起着非常重要的作用。使用多线程编程允许程序执行多个任务同时,转换接口,当提取特征提取和显示结果的功能同时发送请求时。与其他方法相比,我们的方法提高了效率和精度8%。这种多步同步方法确保整个系统更有效地运行,程序不困由于某些操作需要很长时间来计算。
这多步同步方法可以确保系统的整体运营效率的提高、客观地描述了风景区中包含丰富的语义信息图像。因此,有必要深入探索多通道之间的相关性不同的图像特征更好地描绘吸引力的图像的视觉内容的角度多通道融合的特性。DCA-VBPR模型扮演这个角色,因为它利用标签信息和抑制功能映射过程中类之间的相关性,所以不同的图像特征是完全融合,功能可分别不断改进,内容分析的对象是非常成功的,推荐性能得到了改进。DCA模型能产生高质量的推荐结果相比方案1和方案2。在图像上传界面,我们选择要上传的图像检索;在这个时候,我们选择熟悉的八达岭长城景点形象;我们单击上传按钮;图片上传到服务器;服务器将根据接收到的图像,进行相应的特征提取和使用提取的特性进行相应的匹配;和最初的匹配结果将得到检索结果过滤,和检测结果将返回到手机。 The detection results are viewed in the View Results option, and we click the View Results button, and there will be the results of the images we have queried, as shown in Figure8。
景点的游客拍照使用手机客户端,使用CDVS描述符提取相应的纹理特性的图片,并上传功能信息和GPS信息到服务器。根据接收到的信息,服务器执行使用CDVS基于视觉图像匹配检索和重排技术,执行图像检索根据匹配结果,过滤器匹配的结果,并将它们返回给手机客户端。前后的分离方法在服务器模块,提高检索效率。本文的旅游指南系统,基于移动可视搜索技术,方便游客的旅游需求,消除不必要的开支,使旅游更容易、更快捷,提高旅游的质量。
5。结论
本文应用大型旅游景点图像的检索。万法更经典的算法;当然,这两种算法有一定的缺陷;例如,在卷积网络结构完全连接层,由于太多的参数完全连接层,常常会导致过度拟合;locality-sensitive散列,我们希望可以集成到相同的相邻数据散列桶后,虽然不相邻数据分为不同的桶。然而,在实践中,相邻的数据将分为不同的桶和不相邻的数据将落入相邻的桶,我们不想看到的。因此,我们可以提高检索的准确性,减少出错率,提高优化的卷积网络的结构(例如,使用更多的网络层和减少的数量完全连接层)和locality-sensitive散列的结构(例如,使用更多的散列塔在一个哈希表或建造更多的哈希表)。总之,一方面,可以提高图像检索的准确性通过构建一个更大的旅游景点和更好的图像数据库,另一方面,可以减少错误的图像检索率不断优化特征提取算法和索引结构,优化的图像检索大规模的旅游景点。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。