深度学习在组合图像检索中的应用综述

搜索

深度学习在组合图像检索中的应用综述

全文直达

引用

打印

摘要：图像检索作为计算机视觉与信息检索交叉的重要研究领域，近年来在深度学习技术的驱动下迎来了显著的发展。传统方法依赖手工设计的特征提取手段，往往在面对大规模数据时暴露出适应性不足与表达能力受限的短板。而深度学习的出现，通过自动特征学习和端到端的训练方式，为这一领域带来了深刻的变革。其中，卷积神经网络凭借其强大的特征提取能力，成为技术革新的核心支柱。与此同时，近年来兴起的 Transformer 架构、哈希编码技术以及注意力机制等新方法，进一步推动了检索精度与效率的提升。本文特别关注“组合图像检索”这一新兴研究方向，探讨了 CNN 与 Transformer 在处理局部细节和全局语义特征时的独特优势。此外，通过多模态特征融合以及深度学习与传统方法的结合，检索性能得以显著增强。然而，当前应用仍面临若干挑战：对大规模标注数据的依赖性、计算资源的高消耗，以及模型解释性不足等问题不容忽视。展望未来，随着轻量级模型设计和自监督学习等技术的不断成熟，这些难题有望逐步破解，从而推动图像检索技术迈上新的台阶。这一领域的持续探索，不仅体现了学术研究的深度，也预示着广阔的应用前景。

关键词：

图像检索；深度学习；组合图像检索；特征提取；CNN；Transformer；多模型融合；自监督学习

Universe Scientific Publishing

ISSN：2661-3719

年,卷(期)：2025,7(1)