CN104462199B - 一种网络环境下的近似重复图像搜索方法 - Google Patents
一种网络环境下的近似重复图像搜索方法 Download PDFInfo
- Publication number
- CN104462199B CN104462199B CN201410602359.6A CN201410602359A CN104462199B CN 104462199 B CN104462199 B CN 104462199B CN 201410602359 A CN201410602359 A CN 201410602359A CN 104462199 B CN104462199 B CN 104462199B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- network
- local feature
- local
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000007 visual effect Effects 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种网络环境下的近似重复图像搜索的方法，该方法包括：设计了网络图像的有效局部特征的提取和表示；利用视觉词包模型建立词典，并通过局部约束线性编码的方法对局部特征进行量化；为了将特征的空间信息嵌入图像表示，利用图像金字塔对图像进行空间弱分割，并对图像进行分块量化；将局部的量化的结果最后聚合成图像的全局描述，并计算图像之间的相似度或距离度量对待匹配图像进行相关排序，将图像序列中排在前面的图像返回。
Description
技术领域
本发明涉及网络多媒体信息处理领域，特别涉及一种网络图像搜索技术。
背景
随着互联网的普及和信息处理技术的不断发展，网络多媒体信息处理成为日益关注的焦点。多媒体包括文本，图形，声音，图像动画等各种信息院。由于当前图像处理的技术日新月异，网络图像数据量也呈现爆炸式的增长，然而这里面包含了很多经过编辑、修饰、拼接之后的重复图像。这就带来了图像盗版和侵权的问题。近年来对于近似重复图像搜索问题，众多学者展开了广泛的研究。不失一般性，近似重复图像搜索指的是找到所有的给定图像的变换拷贝图像，本发明关注的是“图像”类的近似重复图像搜索，即所有的拷贝图像和原始图像共有同源图像。
为了有效解决近似重复图像搜索的问题，视觉词包模型成为一种被广泛应用的解决方案，它提供了一种局部图像描述的有效统计信息，并同时生成一种紧致的基于直方图统计的图像表示。词包模型最早应用于目标检测和图像分类领域。由于传统的词包模型没有考虑特征的空间分部信息，而近似重复图像存在局部差异性和整体相似性的特点，所以在进行特征量化的阶段，需要将特征的空间分布统计和特征量化相结合，对图像进行基于空间感知的区域量化。
图1为网络近似重复图像的示例图，从图中可以看出，网络环境下的近似重复图像包括了更多更显著的图像变换，如：文字嵌入、图像剪裁拼接等等，这些变换明显改善了图像表观，都为网络近似重复图像搜索带来了极大的挑战。
发明内容
本发明的目的在于提出一种对图像进行基于空间感知的量化方法，以解决网络环境下近似重复图像搜索的问题。
为实现上述目的，本发明提出一种基于空间感知的网络近似重复图像搜索方法，其方法包括离线阶段和在线阶段，步骤如下：
离线阶段：
步骤A1：提取和描述输入网络图像的低层局部特征；
步骤A2：利用上述局部特征构建视觉词典，并将上述局部特征量化后，生成图相的全局特征描述；
步骤A3：构建倒排序索引；
在线阶段：
步骤B1：提取和描述给定查询图像的低层局部特征；
步骤B2：将B1种所获得的局部特征量化；
步骤B3：计算查询图像与离线阶段所输入网络图像的相关性，并对带匹配图像进行排序。
优选的，步骤B1与步骤A1中的所述的局部特征提取方法相同，步骤B2与步骤A2中所述的局部特征量化方法相同。
优选的，所述步骤A1包括：
步骤A11:对于输入的网络图像进行局部关键点的提取，并去除离群噪声点；
步骤A12:对所有保留的关键点，在其周围领域统计相关梯度方向信息，并生成基于梯度方向直方图的特征描述子。
优选的，所述步骤A2包括：
步骤A21:选取图像训练集，并提取图像训练集中所有图像的局部特征，通过无监督K-均值聚类法，对训练特征集进行聚类进而生成视觉词典；
步骤A22:在线更新视觉词典，使得词典适应于输入的网络图像并保持一致性；
步骤A23:在得到更新后的词典之后，利用局部约束线性编码的方法，将输入的网络图像中的所有特征进行量化，并映射到视觉词典上；
步骤A24:利用图像金字塔对图像进行弱分割，将量化后的局部特征按照分块原则进行特征的聚集，并生成图像的分块表示。
步骤A25:将不同层次上的所有图像分块表示串联起来，生成一幅图像的整体表示。
优选的，所述步骤A3包括：
离线阶段对于输入网络图像中的所有图像表示按照视觉单词目录建立倒排索引，并计算词频和倒排文档频率。
优选的，所述步骤B3包括：
步骤B31：通过计算词频以及倒排文档频率加权求和的方法计算给定查询图像与输入网络图像之间的相关性；
步骤B32:按照图像的相关性对待匹配图像进行排序，返回图像序列中排在前面的图像，作为给定查询图像的近似重复图像。
优选的，步骤A24所述图像金字塔为两层图像金字塔，第一层为图像本身，第二层被分为2*2图像单元。
本发明所提出的基于空间感知的网络近似重复图像搜索方法，可以将特征的空间分布统计信息嵌入图像特征表示，能够充分利用近似重复图像的局部差异性和全局相似性的特点，所以本发明在近似重复图像搜索准确度方面比传统的视觉词包模型的准确度更高。
附图说明
图1为网络近似重复图像示例图。
图2为本发明所采用的空间金字塔分割图像示意图。
图3为本发明相关算法的Matlab风格的伪代码。
图4为本发明提出的近似重复图像搜索方法的流程图。
图5为网络近似重复图像搜索的效果示意图。
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。
本发明的方法并不受具体硬件和编程语言的限制，用任何语言编写都可以实现本发明的方法。本实施例采用一台具有2.83G赫兹中央处理器和4G字节内存的计算机，并用Matlab语言实现了本发明的方法。
为了更好地结合具体实施例进行描述，本实施例采用测试图像集代替实际应用中的输入网络图像。
如图4所示，本实施例的步骤如下：
离线阶段：
步骤A1：提取和描述测试图像集的低层局部特征；
步骤A2：利用上述局部特征构建视觉词典，并将上述局部特征量化后，生成图相的全局特征描述；
步骤A3：构建倒排序索引；
在线阶段：
步骤B1：提取和描述给定查询图像的低层局部特征；
步骤B2：将B1种所获得的局部特征量化；
步骤B3：计算查询图像与离线阶段所输入网络图像的相关性，并对带匹配图像进行排序。
对于步骤A1，包括如下步骤：
步骤A11：对于输入的测试图像集进行局部关键点的提取，并去除离群噪声点。本实施例中提取图像的SIFT关键点，即在构建的尺度空间中通过高斯差分函数检测候选的关于尺度和旋转不变的兴趣点，然后对虚特征点进行过滤，并精确确定特征点的位置和尺度。
步骤A12：对所有保留的关键点，在其周围领域统计相关梯度方向信息，并生成基于梯度方向直方图的特征描述子。具体来说，以关键点为中心取16*16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图，最后获得4*4*8的128维特征描述子。由于考虑SIFT特征维数相对过高，且不同特征维度之间存在冗余性的问题，本发明利用PCA算法对SIFT特征进行降维，降维后的特征描述子为64维。
步骤A2主要包括如下步骤：
步骤A21：从测试图像集中选取图像训练集，并提取图像训练集中所有图像的局部特征作为训练特征集，通过无监督K-均值聚类法，对训练特征集进行聚类进而生成视觉词典。对于图像训练集中的所有图像提取SIFT特征描述子，然后利用K-均值聚类方法对所有的特征进行聚类，最后得到的聚类中心作为视觉单词，构成了视觉词典用于后续的特征量化。
步骤A22：视觉词典的自适应更新。在训练特征集上学习得到的词典并不能够完全反应测试图像集上的特征分布，需要对训练特征集上学习得到的词典进行更新以满足和测试图像集特征分布的一致性。
步骤A23：特征的量化。在得到更新后的词典之后，本实施例利用局部约束线性编码的方法，将测试图像集中的所有特征进行量化，并映射到视觉词典上。局部约束线性编码方法是将每一个特征映射到与之最近的k个单词，然后利用稀疏编码的方法，用k个单词的线性组合对该特征进行重构，以最小化重构误差。由于局部约束线性编码本质上结合了近邻搜索和稀疏编码的思想，和传统的硬投票和软投票方法相比，量化误差更小。
步骤A24：图像金字塔的构建。如图2所示为本实施例所采用的两层图像金字塔结构示意图：第一层为图像本身，第二层被分为2*2图像单元，选择这种结构的主要原因是在计算效率和搜索效果之间取得了较好的折中。利用上述两层图像金字塔对图像进行弱分割，将量化后的局部特征按照分块原则进行特征的聚集，并生成图像的分块表示。
步骤A25:将不同层次上的所有图像分块表示串联起来，生成一幅图像的整体表示。图2所示的图像金字塔一共将图像分为1+4＝5个单元，每个单元通过前述的特征量化和聚集生成K*D维的特征表示，其中K为词典的大小，D为降维之后局部特征的维数。故串联之后的用于图像整体表示的特征长度为5*K*D。
步骤A3具体为：离线阶段构建倒排索引(Inverted Indexing),也被称作倒排文档(Inverted File)。倒排索引中的每一项对应于一个视觉单词，每个视觉单词都对应一个列表，列表中存储了图像的ID号以及单词在图像中出现的频率以及倒排文档频率(InverseDocument Frequency)：
步骤B1具体为：采用与步骤A1中的所述的局部特征提取方法相同的方法提取和描述给定查询图像的低层局部特征。
步骤B2具体为：采用与步骤A2中所述的局部特征量化方法相同的方法，将给定查询图像的所有特征进行量化，并映射到视觉词典上。
步骤B3具体为：
步骤B31：通过计算词频以及倒排文档频率加权求和的方法计算给定查询图像与测试图像集两两图像之间的相关性以进行图像匹配，具体的匹配函数如下所示：
ftf-idf(x，y)＝(tf-idf(q(x))2)δq(x)，q(y)
其中δq(x)，q(y)表示的是Kronecker Delta函数，q(x),q(y)表示特征描述子x,y的量化器。
步骤B32：按照图像的相关性对待匹配图像进行排序，返回图像序列中排在前面的图像，作为查询图像的近似重复图像。
相关算法的Matlab风格的伪代码如图3所示。
网络近似重复图像搜索的效果示意图如图5所示。
经测试，本发明所述方法在近似重复图像搜索准确度方面比传统的视觉词包模型更高。
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的详细说明，应理解的是，以上所述仅为本发明的具体实施例，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 (6)
1.一种网络环境下的近似重复图像搜索方法，其特征在于，该方法包括离线阶段和在线阶段，步骤如下：
离线阶段：
步骤A1：提取和描述输入网络图像的低层局部特征；
步骤A2：利用上述局部特征构建视觉词典，并将上述局部特征量化后，生成图像的全局特征描述；
步骤A3：构建倒排序索引；
在线阶段：
步骤B1：提取和描述给定查询图像的低层局部特征；
步骤B2：将B1中所获得的局部特征量化；
步骤B3：计算查询图像与离线阶段所输入网络图像的相关性，并对待匹配图像进行排序；
其中，所述步骤A2包括：
步骤A21:选取图像训练集，并提取图像训练集中所有图像的局部特征作为训练特征集，通过无监督K-均值聚类法，对训练特征集进行聚类进而生成视觉词典；
步骤A22:对视觉词典进行更新，使得词典适应于输入的网络图像并保持一致性；
步骤A23:在得到更新后的词典之后，利用局部约束线性编码的方法，将输入的网络图像中的所有特征进行量化，并映射到视觉词典上；
步骤A24:利用图像金字塔对图像进行弱分割，将量化后的局部特征按照分块原则进行特征的聚集，并生成图像的分块表示；
步骤A25:将不同层次上的所有图像分块表示串联起来，生成一幅图像的整体表示。
2.根据权利要求1所述的方法，其特征在于，步骤B1与步骤A1中的所述的局部特征提取方法相同，步骤B2与步骤A2中所述的局部特征量化方法相同。
3.根据权利要求2所述的方法，其特征在于，所述步骤A1包括：
步骤A11:对于输入的网络图像进行局部关键点的提取，并去除离群噪声点；
步骤A12:对所有保留的关键点，在其周围领域统计相关梯度方向信息，并生成基于梯度方向直方图的特征描述子。
4.根据权利要求2所述的方法，其特征在于，所述步骤A3包括：离线阶段对于输入网络图像中的所有图像表示按照视觉单词目录建立倒排索引，并计算词频和倒排文档频率。
5.根据权利要求2所述的方法，其特征在于，所述步骤B3包括：
步骤B31：通过计算词频以及倒排文档频率加权求和的方法计算给定查询图像与输入网络图像之间的相关性；
步骤B32:按照图像的相关性对待匹配图像进行排序，返回图像序列中排在前面的图像，作为给定查询图像的近似重复图像。
6.根据权利要求1所述的方法，其特征在于，步骤A24中所述图像金字塔为两层图像金字塔，第一层为图像本身，第二层被分为2*2图像单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410602359.6A CN104462199B (zh) | 2014-10-31 | 2014-10-31 | 一种网络环境下的近似重复图像搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410602359.6A CN104462199B (zh) | 2014-10-31 | 2014-10-31 | 一种网络环境下的近似重复图像搜索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104462199A CN104462199A (zh) | 2015-03-25 |
| CN104462199B true CN104462199B (zh) | 2017-09-12 |
Family
ID=52908235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410602359.6A Active CN104462199B (zh) | 2014-10-31 | 2014-10-31 | 一种网络环境下的近似重复图像搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104462199B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678349B (zh) * | 2016-01-04 | 2018-12-07 | 杭州电子科技大学 | 一种视觉词汇的上下文描述子生成方法 |
| CN105760885A (zh) * | 2016-02-22 | 2016-07-13 | 中国科学院自动化研究所 | 血腥图像检测分类器实现方法、血腥图像检测方法和系统 |
| CN106228181B (zh) * | 2016-07-12 | 2019-05-31 | 广东智嵌物联网技术有限公司 | 一种基于视觉词典的图像分类方法及系统 |
| CN106599917A (zh) * | 2016-12-09 | 2017-04-26 | 西北大学 | 一种基于稀疏表示的近似图像重复检测方法 |
| CN107067037B (zh) * | 2017-04-21 | 2020-08-04 | 河南科技大学 | 一种使用llc准则定位图像前景的方法 |
| CN109492524B (zh) * | 2018-09-20 | 2021-11-26 | 中国矿业大学 | 用于视觉跟踪的内结构关联性网络 |
| CN110781917B (zh) * | 2019-09-18 | 2021-03-02 | 北京三快在线科技有限公司 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
| CN112989100B (zh) * | 2019-12-16 | 2023-07-18 | 中国移动通信集团辽宁有限公司 | 基于图像指纹的室内定位方法及装置 |
| CN111178455B (zh) * | 2020-01-07 | 2021-02-12 | 重庆中科云从科技有限公司 | 图像聚类方法、系统、设备及介质 |
| CN111241338B (zh) * | 2020-01-08 | 2023-09-15 | 深圳市网联安瑞网络科技有限公司 | 一种基于注意力机制的深度特征融合视频拷贝检测方法 |
| CN111325245B (zh) * | 2020-02-05 | 2023-10-17 | 腾讯科技（深圳）有限公司 | 重复图像识别方法、装置、电子设备及计算机可读存储介质 |
| CN111651625A (zh) * | 2020-04-29 | 2020-09-11 | 中国平安财产保险股份有限公司 | 图像检索方法、装置、电子设备及存储介质 |
| CN112515653B (zh) * | 2020-10-09 | 2024-03-26 | 天津大学 | 一种基于核磁共振图像的脑网络构建方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1003322A2 (en) * | 1998-11-18 | 2000-05-24 | Casio Computer Co., Ltd. | Image search apparatus, electronic still camera apparatus, and image search method |
| CN102368237A (zh) * | 2010-10-18 | 2012-03-07 | 中国科学技术大学 | 图像检索方法、装置及系统 |
| CN103226589A (zh) * | 2012-10-15 | 2013-07-31 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
| CN103440348A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 一种基于矢量量化的全局和局部颜色图像检索方法 |
| CN103593677A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院自动化研究所 | 一种近似重复图像检测方法 |
| CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索系统 |
| CN103902704A (zh) * | 2014-03-31 | 2014-07-02 | 华中科技大学 | 面向大规模图像视觉特征的多维倒排索引与快速检索算法 |
-
2014
- 2014-10-31 CN CN201410602359.6A patent/CN104462199B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1003322A2 (en) * | 1998-11-18 | 2000-05-24 | Casio Computer Co., Ltd. | Image search apparatus, electronic still camera apparatus, and image search method |
| CN102368237A (zh) * | 2010-10-18 | 2012-03-07 | 中国科学技术大学 | 图像检索方法、装置及系统 |
| CN103226589A (zh) * | 2012-10-15 | 2013-07-31 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
| CN103440348A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 一种基于矢量量化的全局和局部颜色图像检索方法 |
| CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索系统 |
| CN103593677A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院自动化研究所 | 一种近似重复图像检测方法 |
| CN103902704A (zh) * | 2014-03-31 | 2014-07-02 | 华中科技大学 | 面向大规模图像视觉特征的多维倒排索引与快速检索算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104462199A (zh) | 2015-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104462199B (zh) | 一种网络环境下的近似重复图像搜索方法 | |
| Guo et al. | Online early-late fusion based on adaptive hmm for sign language recognition | |
| Leng et al. | A 3D model recognition mechanism based on deep Boltzmann machines | |
| CN107239565B (zh) | 一种基于显著性区域的图像检索方法 | |
| Sun et al. | Combining feature-level and decision-level fusion in a hierarchical classifier for emotion recognition in the wild | |
| Anuranji et al. | A supervised deep convolutional based bidirectional long short term memory video hashing for large scale video retrieval applications | |
| Mei et al. | Patch based video summarization with block sparse representation | |
| Abdul-Rashid et al. | Shrec’18 track: 2d image-based 3d scene retrieval | |
| CN116703531B (zh) | 物品数据处理方法、装置、计算机设备和存储介质 | |
| Yu et al. | Efficient object instance search using fuzzy objects matching | |
| Wang et al. | 3D model retrieval with weighted locality-constrained group sparse coding | |
| Yang et al. | Feature pyramid hashing | |
| CN110427517A (zh) | 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质 | |
| Yao et al. | Spatio-temporal information for human action recognition | |
| Zou et al. | aware representation for sketch-based 3d model retrieval | |
| Yang et al. | Semantic feature mining for video event understanding | |
| Yoon et al. | Content-based video retrieval with prototypes of deep features | |
| Chang et al. | Unsupervised video shot detection using clustering ensemble with a color global scale-invariant feature transform descriptor | |
| Olaode et al. | Unsupervised image classification by probabilistic latent semantic analysis for the annotation of images | |
| Mouli et al. | Video Retrieval Queries of Large Scale Images: An Efficient Approach | |
| Hamreras et al. | Content based image retrieval by convolutional neural networks | |
| Bommisetty et al. | Content-based video retrieval using integration of curvelet transform and simple linear iterative clustering | |
| CN110209865A (zh) | 一种基于深度学习的物体识别及匹配方法 | |
| Li et al. | Action recognition with spatio-temporal augmented descriptor and fusion method | |
| Huang et al. | Tag refinement of micro-videos by learning from multiple data sources |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |