@article { author = {Sezavar, A. and Farsi, H. and Mohamadzadeh, S.}, title = {Content-Based Image Retrieval using Deep Convolutional Neural Networks}, journal = {TABRIZ JOURNAL OF ELECTRICAL ENGINEERING}, volume = {48}, number = {4}, pages = {1595-1603}, year = {2019}, publisher = {Faculty of Electrical & Computer Engineering}, issn = {2008-7799}, eissn = {2538-3051}, doi = {}, abstract = {Image retrieval is an important issue of machine vision and image processing. Many researches have been done in image retrieval. In 70’s, Text-Based image retrieval had been created before Content-Based image retrieval have been introduced since 90’s cause of large amount of data stored and inefficient previous methods. On this way, researcher reached better conclusion by extracting features from pictures. Semantic gap between these features and human concept, and burst increase in amount of images which were saved, caused researchers to think about new algorithms. Excellent successes on deep learning algorithms encourage us to implant a new method for image retrieval based on deep learning. In this paper, after reviewing deep convolutional neural networks as a kind of deep learning methods, we introduce a new retrieval system based on deep convolutional neural networks and by testing it on three famous databases, ALOI, Corel and MPEG7, computing P(0.5), P(1) and ANMRR and comparing them with other methods which have been used since recent years, we show the superior accuracy of this method in comparison to the other methods.}, keywords = {Image Retrieval,Text-Based image retrieval,Content-Based image retrieval,Deep learning,convolutional neural networks}, title_fa = {بازیابی تصویر مبتنی بر محتوا با استفاده از شبکه‌های عصبی کانولوشن عمیق}, abstract_fa = {بازیابی تصویر یکی از موضوعات مهم و چالش‌برانگیز در حوزه بینایی ماشین و پردازش تصویر است. تاکنون تحقیقات زیادی در زمینه بازیابی بر روی روش‌های مختلف انجام شده است. از دهه ­70 میلادی بازیابی مبتنی بر کلمه معرفی شد و پس از گذشت دو دهه با توجه به افزایش حجم داده ذخیره شده و ناکارآمدی این روش‌ها،  بازیابی مبتنی بر محتوا پایه‌گذاری شد. دراین روش محققان با توجه به استخراج ویژگی از تصاویر، به نتیجه بهتری دست یافتند. اما وجود فاصله معنایی میان ادراک انسان و ویژگی‌های سطح پایین استخراج شده از تصاویر از یک‌سو و از سوی دیگر افزایش بی‌رویه حجم داده پیرو پیشرفت فناوری، باعث شد تا روش‌های ابداع‌شده ناکارآمد شوند و پژوهش‌ها به سمت الگوریتم‌های جدیدتر معطوف شوند. با توجه به موفقیت و رشد چشم‌گیر الگوریتم‌های یادگیری عمیق، برآن شدیم تا روشی جدید مبتنی بر یادگیری عمیق به‌منظور بازیابی تصویر پیاده‌سازی کنیم. در این مقاله پس از معرفی شبکه‌های عصبی کانولوشن به‌عنوان زیرمجموعه‌ای از روش‌های یادگیری عمیق، سیستم بازیابی مبتنی بر شبکه عصبی کانولوشن پیشنهاد می‌دهیم و با اجرای این سیستم بر روی سه پایگاه‌داده ALOI، Corel و Mpeg7 و محاسبه سه معیار (P(0.5) ،P(1 و ANMRR و مقایسه آن‌ها با روش‌های دیگر،  نشان می‌دهیم که این مدل از دقت خیلی بالاتری نسبت به سایر الگوریتم‌های مرسوم، برخوردار است.}, keywords_fa = {بازیابی تصویر,روش مبتنی بر کلمه,روش مبتنی بر محتوا,یادگیری عمیق,شبکه‌های عصبی کانولوشن}, url = {https://tjee.tabrizu.ac.ir/article_8305.html}, eprint = {https://tjee.tabrizu.ac.ir/article_8305_ea1ad549e64d96d3ae3c123bce74141e.pdf} }