CN103593677A - 一种近似重复图像检测方法 - Google Patents
一种近似重复图像检测方法 Download PDFInfo
- Publication number
- CN103593677A CN103593677A CN201310636936.9A CN201310636936A CN103593677A CN 103593677 A CN103593677 A CN 103593677A CN 201310636936 A CN201310636936 A CN 201310636936A CN 103593677 A CN103593677 A CN 103593677A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- piece
- storehouse
- data base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract 1
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种近似重复图像检测方法,该方法包括以下步骤:获取训练图像集,并根据所述训练图像集中的图像学习得到多视觉词汇库;基于学习得到的多视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中图像的局部特征编码成非负的稀疏向量;通过所述非负稀疏向量的区域融合和空间结合而获取待检测图像和图像数据库中图像的直方图向量;根据所述待检测图像和图像数据库中图像的直方图向量度量图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
Description
技术领域
本发明涉及计算机视觉领域,特别涉及一种近似重复图像检测(Near-duplicate Image Detection)技术。
背景技术
随着多媒体技术和相关电子处理技术的快速发展,作为信息的一种有效传播方式,数字图像正经历快速发展的时期,互联网上的图像数量正在呈爆炸式增长,这就不可避免的存在了大量的近似重复图像,给信息存储和用户检索带来非常的不便。因此近似重复图像检测吸引了一些学者的兴趣。通过近似重复图像检测的研究,一方面可以实现图像版权保护,另一方面,如果应用在图像搜索引擎中,用于过滤掉检索结果中的重复图像,从而提高用户的检索质量。因此,近似重复图像检测有非常重要的研究意义和应用价值。
通常近似重复图像是由某幅源图像通过某些变换得到的,一般可以产生近似重复图像的变换包括平移、缩放、旋转、图像色调的变化、添加网址或商标、格式变化、分辨率变化等等。近似重复图像检测最常用的框架有以下两类:基于词包模型(Bag of Words)的方法和基于索引的方法。词包模型的框架主要包括提取表示图像视觉的局部特征,对局部特征量化或编码,然后通过编码融合形成最终的直方图向量来表示图像,最后度量图像直方图向量之间的相似性。基于索引的框架比较流行的是将提取的图像的特征通过哈希编码处理成一个紧凑的显著的哈希串,这样相近的特征点以很高的概率被处理成相似的哈希串,在搜索的过程中,仅仅搜索那些相似的哈希串,从而降低了搜索的时间复杂度,但是最终的检测结果并不是很令人满意,同时它还需要大量的存储空间。因此,近年来,研究工作基本上是采用词包模型的框架来做近似重复图像检测。
当前非常流行的词包模型框架不仅用在近似重复图像检测上,还用在图像检索、图像分类等其他应用上。词包模型最大的缺点就是没有考虑图像视觉特征的位置信息,而只是对一幅图像的视觉特征个数的统计信息。因此有一些研究学者提出了词包模型结合空间金字塔匹配的方法,它在一定程度上考虑了图像视觉特征的位置信息,并获得了较好的实验结果。但是这种词包模型结合空间金字塔匹配的方法也存在如下缺点:1、对于空间金字塔的每一子块,都是基于同一个视觉词汇库来对特征编码,没有考虑视觉词汇库中视觉单词的空间位置信息;2、现流行特征编码方法会使最终融合的图像表示损失太多的图像视觉信息;3、相似性度量函数不够鲁棒,不能准确的度量图像之间的差异性。
发明内容
(一)要解决的技术问题
本发明的目的旨在提出一种适用于复杂变换下的近似重复图像检测方法,解决准确快速的检测近似重复图像的技术问题。
(二)技术方案
为实现上述目的,本发明提出一种近似重复图像检测方法,该方法包括以下步骤:
步骤1:获取训练图像集,并根据所述训练图像集中的图像学习得到多视觉词汇库;
步骤2:基于学习得到的多视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中图像的局部特征编码成非负的稀疏向量;
步骤3:通过所述非负稀疏向量的区域融合和空间结合而获取待检测图像和图像数据库中图像的直方图向量;
步骤4:根据所述待检测图像和图像数据库中图像的直方图向量计算图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
本发明还提出一种近似重复图像检测装置,该装置包括:
多视觉词汇库获取模块,用于获取训练图像集,并根据所述训练图像集中的图像学习得到多视觉词汇库;
稀疏向量生成模块,用于基于学习得到的多视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中图像的局部特征编码成非负的稀疏向量;
直方图向量生成模块,用于通过所述非负稀疏向量的区域融合和空间结合而获取待检测图像和图像数据库中图像的直方图向量;
输出模块,其根据所述待检测图像和图像数据库中图像的直方图向量计算图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
(三)有益效果
本发明所提出的有效的近似重复图像检测方法,采用了词包模型和空间金字塔匹配相结合的框架,提出的学习多个独立的视觉词汇库,在一定程度上考虑了视觉单词的空间位置信息。采用的对视觉特征非负稀疏编码方法,能够更好的对相近的特征给予相似的编码,最后设计出的加权卡方函数能够准确的度量两幅图像之间的相似性。通过将以上提出的方法相结合,获得非常好的近似重复图像检测结果。
附图说明
图1是本发明的近似重复图像检测方法的流程图;
图2是本发明的提出的多个独立的视觉词汇库。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明的方法具体运行的硬件和编程语言并不受限制,用任何语言编写都可以实现本发明的方法。本发明采用一台具有1.86G赫兹中央处理器和32G字节内存的计算机,并用Matlab语言编制了近似重复图像检测的工作程序,实现了本发明的方法。
图1是本发明提出的有效的近似重复图像检测方法的流程图。如图1所示,该方法包括:
步骤1:获取训练图像集,并从训练图像集中学习多个独立的视觉词汇库;
步骤2:对待检测图像和图像数据库中的每幅图像,均提取图像局部特征,基于步骤1学习到的多视觉词汇库,使用非负稀疏编码方法对图像的局部特征编码成非负的稀疏向量;
步骤3:通过有效的非负稀疏向量的区域最大值融合和空间结合而获取用于表示图像的直方图向量;
步骤4:设计相似性度量函数,根据所述待检测图像的直方图向量和图像数据库中图像的直方图向量度量待检测图像和图像数据库中图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
下面详细给出本发明技术方案中所涉及的各个步骤。
对于步骤1,包括如下步骤:
步骤1a:获取一部分已有图像作为训练图像集,对训练图像预处理,使得图像像素大小不超过500×500。对训练图像集中的每幅图像提取表示图像视觉的局部特征SIFT(Scale Invariant FeatureTransform)描述子;
步骤1b:对每一幅训练图像构建空间金字塔,对于空间金字塔的每一块,把所有训练图像集中对应该块的SIFT特征集集中在一起,使用Kmeans聚类方法学习出一个独立的视觉词汇库,这样就学习出了和空间金字塔对应的多个独立的视觉词汇库,该多个独立的视觉词汇库构成多视觉词汇库。
关于构建图像空间的模型,本发明实施例中选择两层的空间金字塔,具体如图2所示。设置层数L=2,即0、1层,每层分为2l×2l子块,因此空间金字塔总共的划分子块为对于每一子块,使用Kmeans聚类方法学习出一个独立的视觉词汇库,总共需学习出N=5个独立的视觉词汇库,即对于0层的一个块学习得到B01,对于1层的四个块学习得到B11-B14。如图2所示,这5个独立的视觉词汇库构成了多视觉词汇库{B01,B11,B12,B13,B14},其中每个视觉词汇库中包括M个视觉单词。
对于步骤2,包括如下步骤:
步骤2a:对待检测图像和图像数据库中的所有图像预处理,使得图像像素大小不超过500×500。对预处理后的图像,提取表示图像视觉的局部特征SIFT(Scale Invariant Feature Transform)描述子;
步骤2b:对待检测图像和数据库中每幅图像构建空间金字塔,具体方法同步骤1b所述。对于属于图像空间金字塔每一块的所有SIFT描述子,基于与该块对应的视觉词汇库,使用非负稀疏编码方法把SIFT描述子编码成稀疏向量。
对于图像空间金字塔的每一块,具体的非负稀疏编码方法如下式所示:
其中,X=[x1,…xK]∈RD×K表示K个维数为D的SIFT描述子,K为该空间金字塔块对应的SIFT描述子的个数,对于不同的金字塔块,K的值不定;D为SIFT描述子的维数,通常为128;B=[b1,b2…bM]∈RD×M表示一个包含M个视觉单词的视觉词汇库,是对描述子xi非负稀疏编码后的稀疏向量,那么X=[x1,…xK]∈RD×K就被编码为(α1,α2,……,αK)。
按照上述方法,对所有的图像空间金字塔块都进行非负稀疏编码。
对于步骤3,包括如下步骤:
步骤3a:对于图像空间金字塔的每一块,如果属于该块的所有SIFT描述子的稀疏编码为(α1,α2,……,αK),采用最大值融合方法对该块的编码融合,其定义为:
p(i)=max{α1(i),α2(i),……,αK(i)}
步骤3b:对图像空间金字塔每一块,均进行步骤3a操作,这样就得到了图像空间金字塔中每一子块的融合向量,然后将每一块的融合向量,按照其所在空间金字塔位置连接起来,具体规则是对图像空间金字塔,从底层到高层、每一层顺时针方向连接起来。具体地,由于图像空间金字塔总共分为了两层,共5块,如果所有子块融合后的向量用p1,p2,p3,p4,p5表示,那么连接后的向量为其中W=5*M,然后采用L2范数对其归一化得到这样一幅图像最终由直方图向量H来表示。
步骤4,具体如下:
所设计的相似性度量函数是一种加权χ2的距离度量标准。即在计算χ2距离时,对不同的图像空间金字塔层,给予不同的权重值。图像空间金字塔不同层的加权χ2距离形式如下:
根据设计的加权χ2距离相似性度量函数,分别计算待检测图像和数据库中所有图像的相似性值,然后对其升序排列,输出数据库中与待检测图像近似重复的图像。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种近似重复图像检测方法,该方法包括以下步骤:
步骤1:获取训练图像集,并根据所述训练图像集中的图像学习得到多视觉词汇库;
步骤2:基于学习得到的多视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中图像的局部特征编码成非负的稀疏向量;
步骤3:通过所述非负稀疏向量的区域融合和空间结合而获取待检测图像和图像数据库中图像的直方图向量;
步骤4:根据所述待检测图像和图像数据库中图像的直方图向量计算图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:
步骤11:获取一部分已有图像作为训练图像集,并对其中的训练图像进行预处理,使得训练图像像素大小不超过预定值,对预处理后的训练图像集中的每幅图像提取表示图像视觉的局部特征SIFT描述子;
步骤12:对训练集中的图像构建图像空间金字塔,对于图像空间金字塔的每一块,把所有训练图像集中对应该块的SIFT特征集集中在一起,学习得到对应于图像空间金字塔每一块的独立视觉词汇库,对应所述图像空间金字塔所有块的独立视觉词汇库构成了多视觉词汇库。
3.根据权利要求2所述的方法,其特征在于,所述步骤2包括:
步骤21、对待检测图像和图像数据库中的所有图像预处理,使得图像像素大小不超过预定值,提取预处理后图像的表示图像视觉的局部特征SIFT描述子;
步骤22:对待检测图像和图像数据库中每幅图像,构建图像空间金字塔,对于图像空间金字塔中每一块,根据对应于该块的独立视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中每幅图像对应该块的所有SIFT描述子编码成稀疏向量。
5.根据权利要求4所述的方法,其特征在于,所述步骤3包括:
步骤31:对于图像空间金字塔每一块,将所述待测图像和图像数据库中图像中对应该块的所有SIFT描述子的非负稀疏编码向量进行最大值融合,获得的该块对应的融合向量,其中该融合向量如下表示:
p(i)=max{α1(i),α2(i),……,αK(i)}
其中,p(i)为融合后向量p的第i个元素,K表示为该空间金字塔块中SIFT描述子的总数,(α1,α2,……,αK)为SIFT描述子对应的非负稀疏编码后的稀疏向量;
步骤32:将每一块的融合向量按照其在空间金字塔的位置顺序组合形成统一向量,并对该统一向量进行归一化得到所述图像的直方图向量。
6.根据权利要求1所述的方法,其特征在于,步骤4中采用加权χ2距离计算所述待检测图像和图像数据库中图像之间的相似性。
8.一种近似重复图像检测装置,该装置包括:
多视觉词汇库获取模块,用于获取训练图像集,并根据所述训练图像集中的图像学习得到多视觉词汇库;
稀疏向量生成模块,用于基于学习得到的多视觉词汇库,使用非负稀疏编码方法将待检测图像和图像数据库中图像的局部特征编码成非负的稀疏向量;
直方图向量生成模块,用于通过所述非负稀疏向量的区域融合和空间结合而获取待检测图像和图像数据库中图像的直方图向量;
输出模块,其根据所述待检测图像和图像数据库中图像的直方图向量计算图像之间的相似性,并输出图像数据库中与待检测图像近似重复的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310636936.9A CN103593677A (zh) | 2013-12-02 | 2013-12-02 | 一种近似重复图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310636936.9A CN103593677A (zh) | 2013-12-02 | 2013-12-02 | 一种近似重复图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103593677A true CN103593677A (zh) | 2014-02-19 |
Family
ID=50083809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310636936.9A Pending CN103593677A (zh) | 2013-12-02 | 2013-12-02 | 一种近似重复图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593677A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392207A (zh) * | 2014-11-10 | 2015-03-04 | 天津大学 | 一种用于数字图像内容识别的特征编码方法 |
CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
CN104504406A (zh) * | 2014-12-04 | 2015-04-08 | 长安通信科技有限责任公司 | 一种快速高效的近似重复图像匹配方法 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
CN107766871A (zh) * | 2017-08-29 | 2018-03-06 | 深圳依偎控股有限公司 | 一种智能识别3d图片的方法及系统 |
CN107870923A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 图像检索方法和装置 |
CN108764258A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 一种用于群体图像插入的最优图像集选取方法 |
CN110197116A (zh) * | 2019-04-15 | 2019-09-03 | 深圳大学 | 一种人体行为识别方法、装置和计算机可读存储介质 |
CN111582306A (zh) * | 2020-03-30 | 2020-08-25 | 南昌大学 | 一种基于关键点图表示的近重复图像匹配方法 |
US11709882B2 (en) | 2021-10-21 | 2023-07-25 | International Business Machines Corporation | Image storage system for images with duplicate parts |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470730A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 基于频谱特征分析的图像重复检测方法 |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
-
2013
- 2013-12-02 CN CN201310636936.9A patent/CN103593677A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470730A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院自动化研究所 | 基于频谱特征分析的图像重复检测方法 |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
Non-Patent Citations (4)
Title |
---|
FOWLKES, C.等: "Learning affinity funcitons for image segmetation:combining patch-based and gradient-based approaches", 《IEEE COMPUTER SOCIETY CONFERENCE》, vol. 2, 31 December 2003 (2003-12-31), pages 54 - 61 * |
JIANCHAO YANG ETC.: ""Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification"", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
唐峰等: "基于改进稀疏编码模型的图像分类算法", 《上海交通大学学报》, vol. 46, no. 9, 28 September 2012 (2012-09-28), pages 1406 - 1410 * |
李壮等: "基于梯度径向夹角直方图的异源图像匹配", 《测绘学报》, vol. 40, no. 3, 15 June 2011 (2011-06-15), pages 318 - 325 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
CN104462199B (zh) * | 2014-10-31 | 2017-09-12 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
CN104392207B (zh) * | 2014-11-10 | 2017-07-14 | 天津大学 | 一种用于数字图像内容识别的特征编码方法 |
CN104392207A (zh) * | 2014-11-10 | 2015-03-04 | 天津大学 | 一种用于数字图像内容识别的特征编码方法 |
CN104504406B (zh) * | 2014-12-04 | 2018-05-11 | 长安通信科技有限责任公司 | 一种快速高效的近似重复图像匹配方法 |
CN104504406A (zh) * | 2014-12-04 | 2015-04-08 | 长安通信科技有限责任公司 | 一种快速高效的近似重复图像匹配方法 |
CN107870923A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 图像检索方法和装置 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
CN107766871A (zh) * | 2017-08-29 | 2018-03-06 | 深圳依偎控股有限公司 | 一种智能识别3d图片的方法及系统 |
CN108764258A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 一种用于群体图像插入的最优图像集选取方法 |
CN108764258B (zh) * | 2018-05-24 | 2022-03-04 | 西安电子科技大学 | 一种用于群体图像插入的最优图像集选取方法 |
CN110197116A (zh) * | 2019-04-15 | 2019-09-03 | 深圳大学 | 一种人体行为识别方法、装置和计算机可读存储介质 |
CN111582306A (zh) * | 2020-03-30 | 2020-08-25 | 南昌大学 | 一种基于关键点图表示的近重复图像匹配方法 |
US11709882B2 (en) | 2021-10-21 | 2023-07-25 | International Business Machines Corporation | Image storage system for images with duplicate parts |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103593677A (zh) | 一种近似重复图像检测方法 | |
Song et al. | Region-based quality estimation network for large-scale person re-identification | |
Shi et al. | Key-word-aware network for referring expression image segmentation | |
Zhang et al. | Weakly supervised fine-grained categorization with part-based image representation | |
Lee et al. | Deep saliency with encoded low level distance map and high level features | |
Shang et al. | PRRNet: Pixel-Region relation network for face forgery detection | |
CN104200240B (zh) | 一种基于内容自适应哈希编码的草图检索方法 | |
CN107818314A (zh) | 脸部图像处理方法、装置及服务器 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
CN106127196A (zh) | 基于动态纹理特征的人脸表情的分类与识别方法 | |
CN109086405A (zh) | 基于显著性和卷积神经网络的遥感图像检索方法及系统 | |
CN112037239B (zh) | 基于多层次显式关系选择的文本指导图像分割方法 | |
CN112132739A (zh) | 3d重建以及人脸姿态归一化方法、装置、存储介质及设备 | |
CN106649665A (zh) | 一种面向图像检索的对象级深度特征聚合方法 | |
CN113298018A (zh) | 基于光流场和脸部肌肉运动的假脸视频检测方法及装置 | |
CN111291713B (zh) | 一种基于骨架的手势识别方法及系统 | |
CN104504406A (zh) | 一种快速高效的近似重复图像匹配方法 | |
Zhang et al. | Weakly supervised fine-grained image categorization | |
CN106203448A (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN105678349B (zh) | 一种视觉词汇的上下文描述子生成方法 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
Sun et al. | Action disambiguation analysis using normalized google-like distance correlogram | |
Javed et al. | Object-level context modeling for scene classification with context-CNN | |
Ahmad et al. | SSH: Salient structures histogram for content based image retrieval |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140219 |