随着对图像检索技术研究的深入,其应用范围愈加广泛。图像检索与深度学习以及交互式技术相结合逐渐成为研究热点。目前,针对特定数据集的图像检索技术依然存在诸多待改进之处。例如,提升图像的分割效果、抽取特定数据的特征以及有效利用用户反馈。本课题主要针对手机/相机拍摄的皮肤病图像的检索进行研究,通过引入迁移学习、相关反馈等方法,来获得更好的检索结果。本文针对色素性皮肤病数据进行图像分割、分类与检索,主要的研究内容和成果如下:1.引入用户意愿,利用DeepMask交互式分割算法对皮肤病图像进行有效分割。利用DeepMask训练皮肤病图像的分割掩膜,通过用户点击操作更新掩膜的权值,获得用户满意的目标区域。2.利用迁移学习对手机/相机拍摄皮肤病小数据集图像进行分类。通过大规模的同类数据集预先训练InceptionV3模型,获得初始参数,再微调该模型完成皮肤病图像的多分类,获得图像的语义标签。对不同的微调方式进行对比研究,得到适合皮肤病数据集的解决方案。3.提出了基于深度学习与SVM相关反馈结合的交互式检索算法。传统特征提取方式无法很好地描述皮肤病图像的特征,本文利用卷积神经网络进行图像特征提取,并通过基于SVM的相关反馈算法来不断学习用户的检索意图,优化检索结果。4.构建了一种基于用户反馈次数的交互式检索算法评价模型。通过度量用户的交互次数来评价交互式检索算法的性能,能够更好地衡量算法对用户反馈的敏感程度。