CN105512289B - 基于深度学习和哈希的图像检索方法 - Google Patents
基于深度学习和哈希的图像检索方法 Download PDFInfo
- Publication number
- CN105512289B CN105512289B CN201510901348.2A CN201510901348A CN105512289B CN 105512289 B CN105512289 B CN 105512289B CN 201510901348 A CN201510901348 A CN 201510901348A CN 105512289 B CN105512289 B CN 105512289B
- Authority
- CN
- China
- Prior art keywords
- hash
- image
- layer
- loss
- convolutional neural
- 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
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
Abstract
本发明涉及一种基于深度学习和哈希的图像检索方法,利用深度卷积神经网络强大的学习能力,提取图像深层特征,克服现有技术中利用图像底层特征而导致特征表达能力不强、检索精度低的问题;并引入哈希层构造哈希函数,将图像深度特征的学习和哈希函数的构造在同一过程中完成,挖掘图像特征与哈希函数内在关系,大大提高图像检索准确率;将量化误差的损失加入到深度卷积神经网络的损失层,增强了哈希码的表达能力,通过Softmax分类器损失模块和量化误差损失模块,有效降低哈希函数中的二值化造成的量化误差,进一步提高图像检索的准确率。
Description
技术领域
本发明涉及图像检索领域,特别涉及一种基于深度学习和哈希的图像检索方法。
背景技术
随着大数据时代的到来,互联网图像资源迅猛增长,如何对大规模图像资源进行快速有效地检索以满足用户需求亟待解决。为了在大规模图像集中进行快速有效地检索,哈希技术将原始图像保持相似性地映射为二进制哈希码。由于二进制哈希码在汉明距离计算上的高效性和存储空间上的优势,哈希码在大规模图像检索非常地高效。基于内容的图像检索通过提取图像视觉底层特征来实现图像的内容表达。与这些底层特征相比,深度卷积神经网络更能够获得图像的内在特征,利用深度卷积神经网络提取的特征在目标检测、图像分类和图像分割等方面都表现出了良好的性能。中国专利(申请号:201010196539.0,公开号:CN101894130A)提出的公开了一种基于稀疏表达和拉普拉斯图的哈希索引方法,首先提取图像底层特征,进一步通过聚类得到视觉单词,然后利用有权重的拉普拉斯-贝尔特拉米算子的特征方程和特征根,求得欧式空间到汉明空间的映射函数,得到低维空间汉明向量,该方法哈希函数的构造假设训练数据服从均匀分布,使其应用受限;又如中国专利(申请号:201410441091.2,公开号:CN104182538A)公开了一种基于半监督哈希的图像检索方法,首先提取原始图像的底层特征,使用类标传递方法求训练数据的类标,根据类标产生编码;然后使用训练数据及其编码训练支持向量机分类器,最后数据根据支持向量机分类器的分类产生哈希编码,该方法中哈希构造算法对数据的分布没有要求,且检索精度有所提高,但它仍旧将图像特征提取和哈希函数的构造过程分为完全独立的两个过程,不能得到很好的哈希码表示图像,其检索精确度有待进一步的提高。Kevin Lin等在文章“DeepLearning of Binary Hash Codes for Fast Image Retrieval”中提出了一种利用深度卷积网络框架同时学习特征和哈希函数的算法,该文章中采用类别标签作为监督信息。该方法的不足之处是:它没有考虑到将连续值阈值化为哈希码时产生的量化误差,从而使得检索精度降低。
现有的基于哈希的图像检索技术基本上都是首先提取图像底层特征,然后构造保持图像特征相似性的哈希函数;最后,利用哈希函数将底层特征图像特征映射为哈希码,用哈希码表示图像用于大规模的图像检索,以发挥哈希码在存储空间少和汉明距离计算速度快的优势,将图像特征提取和哈希函数的构造过程分为完全独立的两个过程,不能构造出表达能力强哈希码表示图像,使得检索准确率低。
发明内容
针对现有技术中的不足,本发明提供一种基于深度学习和哈希的图像检索方法,同时学习图像特征和哈希编码的深度卷积网络架构,在该架构中加入哈希层和将连续值量化为二进制编码所引起的量化误差损失,利用该架构生成表达能力非常强的哈希码,大大提高图像检索的准确率,解决现有技术中因生成的哈希码表达能力不强而引起检索准确率较低的问题。
按照本发明所提供的设计方案,一种基于深度学习和哈希的图像检索方法,具体包含如下步骤:
步骤1.将图像数据集及其对应的类别标签信息分别对应分成两部分,一部分作为训练样本集,另一部分作为测试样本集,其中,训练样本集和测试样本集中每个样本均包括一张图像及对应的类别标签;
步骤2.构建深度卷积神经网络架构,深度卷积神经网络架构包含卷积子网络、哈希层、损失层,卷积子网络用于学习图像特征,哈希层包括全连接层、激活层和阈值化层,用于学习哈希函数的构建并得到输入图像的哈希码,损失层包括Softmax分类器损失模块和量化误差损失模块;
步骤3.利用训练样本集,依据深度卷积神经网络架构,得到深度卷积神经网络模型;
步骤4.根据深度卷积神经网络模型,将训练样本集和测试样本集中的每张图像作为输入,得到训练样本集的哈希码Htrain和测试样本集的哈希码Htest;
步骤5.从Htest取一个测试图像的哈希码Ht,计算该哈希码Ht与训练样本集哈希码Htrain之间的汉明距离,得到汉明距离向量;
步骤6.汉明距离向量中的数值按从小到大的顺序进行排序,按顺序输出对应的原始图像,得到图像检索结果。
上述的,步骤2中卷积子网络包括多个卷积层,池化层和全连接层。
上述的,步骤2中,输入图像通过卷积子网络得到图像特征x(i),进入哈希层,假设需要生成哈希码的长度为q,全连接层将图像特征x(i)映射为q维向量,即f(x(i))=Wx(i),其中,W表示全连接层的参数矩阵;激活层使用双正切激活函数将q维向量映射为值域在[-1,1]之间的q维向量,即其中,v=f(x(i)),参数β用于控制平滑度;阈值化层将激活层的值进行量化,其中,s=tanh(f(x(i))),阈值化层的输出为二进制哈希码。
上述的,步骤2中的量化误差损失模块,用于获得激活层输出的连续值与阈值化层输出的哈希码之间误差损失其中,h=g(tanh(f(x(i))))为阈值化层输出的哈希码,x=tanh(f(x(i)))为激活层输出的连续值。
优选的,损失层损失函数为Lloss=LsoftmaxLoss+λLq,其中,LsoftmaxLoss为Softmax分类器损失模块的误差损失,即
,其中1{.}为示性函数,1{值为真的表达式}=1,参数θj(j=1,2,…k)是softmax回归的参数,y(i)是图像的类别标签;Lq为量化误差损失模块的误差损失,λ为权重因子。
本发明的有益效果:
1.本发明针对现有图像检索技术图像检索准确率低的问题,利用深度卷积网络同时学习图像的特征和哈希编码,考虑将连续值量化为二进制编码所引起的量化误差,在整个学习框架中加入量化误差最小的目标约束,在深度卷积网络架构中加入哈希层和将连续值量化为二进制编码所引起的量化误差的损失,挖掘了图像特征与哈希函数内在关系,并利用深度卷积网络架构生成表达能力非常强的哈希码,大大提高了图像检索的准确率。
2.本发明利用深度卷积神经网络强大的学习能力,提取图像深层特征,克服现有技术中利用图像底层特征而导致特征表达能力不强、检索精度低的问题;并引入哈希层构造哈希函数,将图像深度特征的学习和哈希函数的构造在同一过程中完成,挖掘图像特征与哈希函数内在关系,大大提高图像检索准确率;将量化误差的损失加入到深度卷积神经网络的损失层,增强了哈希码的表达能力,通过Softmax分类器损失模块和量化误差损失模块,有效降低哈希函数中的二值化造成的量化误差,进一步提高图像检索的准确率。
附图说明:
图1为本发明的流程示意图。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
实施例一,参见图1所示,一种基于深度学习和哈希的图像检索方法,具体包含如下步骤:
步骤1.将图像数据集及其对应的类别标签信息分别对应分成两部分,一部分作为训练样本集,另一部分作为测试样本集,其中,训练样本集和测试样本集中每个样本均包括一张图像及对应的类别标签;
步骤2.构建深度卷积神经网络架构,深度卷积神经网络架构包含卷积子网络、哈希层、损失层,卷积子网络用于学习图像特征,哈希层包括全连接层、激活层和阈值化层,用于学习哈希函数的构建并得到输入图像的哈希码,损失层包括Softmax分类器损失模块和量化误差损失模块;
步骤3.利用训练样本集,依据深度卷积神经网络架构,得到深度卷积神经网络模型;
步骤4.根据深度卷积神经网络模型,将训练样本集和测试样本集中的每张图像作为输入,得到训练样本集的哈希码Htrain和测试样本集的哈希码Htest;
步骤5.从Htest取一个测试图像的哈希码Ht,计算该哈希码Ht与训练样本集哈希码Htrain之间的汉明距离,得到汉明距离向量;
步骤6.汉明距离向量中的数值按从小到大的顺序进行排序,按顺序输出对应的原始图像,得到图像检索结果。
实施例二,参见图1所示,一种基于深度学习和哈希的图像检索方法,具体包含如下步骤:
步骤1.将图像数据集及其对应的类别标签信息分别对应分成两部分,一部分作为训练样本集,另一部分作为测试样本集,其中,训练样本集和测试样本集中每个样本均包括一张图像及对应的类别标签;
步骤2.构建深度卷积神经网络架构,深度卷积神经网络架构包含卷积子网络、哈希层、损失层,卷积子网络包括多个卷积层,池化层和全连接层,用于学习图像特征,哈希层包括全连接层、激活层和阈值化层,用于学习哈希函数的构建并得到输入图像的哈希码,损失层包括Softmax分类器损失模块和量化误差损失模块,损失层损失函数为Lloss=LsoftmaxLoss+λLq,其中,LsoftmaxLoss为Softmax分类器损失模块的误差损失,Lq为量化误差损失模块的误差损失,λ为权重因子,输入图像通过卷积子网络得到图像特征x(i),进入哈希层,假设需要生成哈希码的长度为q,全连接层将图像特征x(i)映射为q维向量,即f(x(i))=Wx(i),其中,W表示全连接层的参数矩阵;激活层使用双正切激活函数将q维向量映射为值域在【-1,1】之间的q维向量,即其中,v=f(x(i)),参数β用于控制平滑度;阈值化层将激活层的值进行量化,s=tanh(f(x(i))),阈值化层的输出为二进制哈希码,用于获得激活层输出的连续值与阈值化层输出的哈希码之间误差损失其中,h=g(tanh(f(x(i))))为阈值化层输出的哈希码,x=tanh(f(x(i)))为激活层输出的连续值;Softmax分类器的误差损失为其中1{.}为示性函数,1{值为真的表达式}=1,参数θj(j=1,2,…k)是softmax回归的参数,y(i)是图像的类别标签。卷积子网络可以使用AlexNet模型、NIN(Network in Network)模型、VGG模型等;
步骤3.利用训练样本集,依据深度卷积神经网络架构,得到深度卷积神经网络模型,深度卷积神经网络架构参数根据实际使用需求可以使用基于开源Caffe进行训练学习;
步骤4.根据深度卷积神经网络模型,将训练样本集和测试样本集中的每张图像作为输入,得到训练样本集的哈希码Htrain和测试样本集的哈希码Htest,
阈值化层的输出即为该图像的哈希码;
步骤5.从Htest取一个测试图像的哈希码Ht,计算该哈希码Ht与训练样本集哈希码Htrain之间的汉明距离,得到汉明距离向量;
步骤6.汉明距离向量中的数值按从小到大的顺序进行排序,按顺序输出对应的原始图像,得到图像检索结果。
本发明利用深度卷积神经网络强大的学习能力,提取图像深层特征,克服现有技术中利用图像底层特征而导致特征表达能力不强、检索精度低的问题;并引入哈希层构造哈希函数,将图像深度特征的学习和哈希函数的构造在同一过程中完成,挖掘图像特征与哈希函数内在关系,大大提高图像检索准确率;将量化误差的损失加入到深度卷积神经网络的损失层,增强了哈希码的表达能力,通过Softmax分类器损失模块和量化误差损失模块,有效降低哈希函数中的二值化造成的量化误差,进一步提高图像检索的准确率。
本发明并不局限于上述具体实施方式,本领域技术人员还可据此做出多种变化,但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。
Claims (4)
1.一种基于深度学习和哈希的图像检索方法,具体包含如下步骤:
步骤1.将图像数据集及其对应的类别标签信息分别对应分成两部分,一部分作为训练样本集,另一部分作为测试样本集,其中,训练样本集和测试样本集中每个样本均包括一张图像及对应的类别标签;
步骤2.构建深度卷积神经网络架构,深度卷积神经网络架构包含卷积子网络、哈希层、损失层,卷积子网络用于学习图像特征,哈希层包括全连接层、激活层和阈值化层,用于学习哈希函数的构建并得到输入图像的哈希码,损失层包括Softmax分类器损失模块和量化误差损失模块;输入图像通过卷积子网络得到图像特征x(i),进入哈希层,假设需要生成哈希码的长度为q,全连接层将图像特征x(i)映射为q维向量,即f(x(i))=Wx(i),其中,W表示全连接层的参数矩阵;激活层使用双正切激活函数将q维向量映射为值域在[-1,1]之间的q维向量,即其中,v=f(x(i)),参数β用于控制平滑度;阈值化层将激活层的值进行量化, 其中,s=tanh(f(x(i))),阈值化层的输出为二进制哈希码;
步骤3.利用训练样本集,依据深度卷积神经网络架构,得到深度卷积神经网络模型;
步骤4.根据深度卷积神经网络模型,将训练样本集和测试样本集中的每张图像作为输入,得到训练样本集的哈希码Htrain和测试样本集的哈希码Htest;
步骤5.从Htest取一个测试图像的哈希码Ht,计算该哈希码Ht与训练样本集哈希码Htrain之间的汉明距离,得到汉明距离向量;
步骤6.汉明距离向量中的数值按从小到大的顺序进行排序,按顺序输出对应的原始图像,得到图像检索结果。
2.根据权利要求1所述的基于深度学习和哈希的图像检索方法,其特征在于:步骤2中卷积子网络包括多个卷积层,池化层和全连接层。
3.根据权利要求1中所述的基于深度学习和哈希的图像检索方法,其特征在于:步骤2中的量化误差损失模块,用于获得激活层输出的连续值与阈值化层输出的哈希码之间误差损失其中,h=g(tanh(f(x(i))))为阈值化层输出的哈希码,x=tanh(f(x(i)))为激活层输出的连续值。
4.根据权利要求1或3所述的基于深度学习和哈希的图像检索方法,其特征在于:损失层损失函数为Lloss=LsoftmaxLoss+λLq,其中,为Softmax分类器损失模块的误差损失,Lq为量化误差损失模块的误差损失,λ为权重因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510901348.2A CN105512289B (zh) | 2015-12-07 | 2015-12-07 | 基于深度学习和哈希的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510901348.2A CN105512289B (zh) | 2015-12-07 | 2015-12-07 | 基于深度学习和哈希的图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512289A CN105512289A (zh) | 2016-04-20 |
CN105512289B true CN105512289B (zh) | 2018-08-14 |
Family
ID=55720271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510901348.2A Active CN105512289B (zh) | 2015-12-07 | 2015-12-07 | 基于深度学习和哈希的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512289B (zh) |
Families Citing this family (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202362A (zh) * | 2016-07-07 | 2016-12-07 | Tcl集团股份有限公司 | 图像推荐方法和图像推荐装置 |
CN106250423B (zh) * | 2016-07-25 | 2019-08-06 | 上海媒智科技有限公司 | 基于部分参数共享的深度卷积神经网络跨域服装检索方法 |
CN106407352B (zh) * | 2016-09-06 | 2019-09-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于深度学习的交通图像检索方法 |
CN106649490B (zh) * | 2016-10-08 | 2020-06-16 | 中国人民解放军理工大学 | 一种基于深度特征的图像检索方法及装置 |
CN106383912B (zh) * | 2016-10-14 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 一种图片检索方法和装置 |
CN106503106B (zh) * | 2016-10-17 | 2019-10-18 | 北京工业大学 | 一种基于深度学习的图像哈希索引构建方法 |
CN108073934A (zh) * | 2016-11-17 | 2018-05-25 | 北京京东尚科信息技术有限公司 | 近重复图像检测方法与装置 |
CN110121719A (zh) * | 2016-12-30 | 2019-08-13 | 诺基亚技术有限公司 | 用于深度学习的装置、方法和计算机程序产品 |
CN106897667A (zh) * | 2017-01-17 | 2017-06-27 | 桂林电子科技大学 | 一种人脸检索方法和系统 |
CN106886768A (zh) * | 2017-03-02 | 2017-06-23 | 杭州当虹科技有限公司 | 一种基于深度学习的视频指纹算法 |
US10546242B2 (en) | 2017-03-03 | 2020-01-28 | General Electric Company | Image analysis neural network systems |
CN107016708B (zh) * | 2017-03-24 | 2020-06-05 | 杭州电子科技大学 | 一种基于深度学习的图像哈希编码方法 |
CN107092661A (zh) * | 2017-03-28 | 2017-08-25 | 桂林明辉信息科技有限公司 | 一种基于深度卷积神经网络的图像检索方法 |
CN107092918B (zh) * | 2017-03-29 | 2020-10-30 | 太原理工大学 | 一种基于语义特征和有监督哈希的图像检索方法 |
CN107066578B (zh) * | 2017-04-13 | 2020-06-26 | 华侨大学 | 一种基于深度学习和迁移学习的3d画智能推荐方法 |
CN107346327A (zh) * | 2017-04-18 | 2017-11-14 | 电子科技大学 | 基于监督转移的零样本哈希图片检索方法 |
US10714783B2 (en) | 2017-05-09 | 2020-07-14 | Cummins Enterprise Llc | Integrated fuel cell systems |
CN107220325A (zh) * | 2017-05-22 | 2017-09-29 | 华中科技大学 | 一种基于卷积神经网络的app相似图标检索方法和系统 |
CN107273458B (zh) * | 2017-06-01 | 2020-12-11 | 百度在线网络技术(北京)有限公司 | 深度模型训练方法及装置、图像检索方法及装置 |
CN107273478B (zh) * | 2017-06-09 | 2019-10-08 | 华东师范大学 | 一种基于Group Lasso的半监督哈希图像搜索方法 |
CN107451189A (zh) * | 2017-06-20 | 2017-12-08 | 中山大学 | 一种基于哈希编码的无监督图像检索方法 |
CN107229757B (zh) * | 2017-06-30 | 2020-09-29 | 中国科学院计算技术研究所 | 基于深度学习和哈希编码的视频检索方法 |
CN107291936B (zh) * | 2017-07-04 | 2020-03-31 | 太原理工大学 | 一种基于视觉特征和征象标签的超图哈希图像检索实现肺结节征象识别的方法 |
CN107480261B (zh) * | 2017-08-16 | 2020-06-16 | 上海荷福人工智能科技(集团)有限公司 | 一种基于深度学习细粒度人脸图像快速检索方法 |
CN109711422B (zh) * | 2017-10-26 | 2023-06-30 | 北京邮电大学 | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 |
US11270187B2 (en) | 2017-11-07 | 2022-03-08 | Samsung Electronics Co., Ltd | Method and apparatus for learning low-precision neural network that combines weight quantization and activation quantization |
CN107871014A (zh) * | 2017-11-23 | 2018-04-03 | 清华大学 | 一种基于深度融合哈希的大数据跨模态检索方法及系统 |
CN107944045B (zh) * | 2017-12-15 | 2019-02-05 | 清华大学 | 基于t分布哈希的图像检索方法及系统 |
CN108256082A (zh) * | 2018-01-22 | 2018-07-06 | 北京邮电大学 | 一种基于深度多相似度哈希的多标签图像检索方法 |
CN108319686B (zh) * | 2018-02-01 | 2021-07-30 | 北京大学深圳研究生院 | 基于受限文本空间的对抗性跨媒体检索方法 |
CN108399211B (zh) * | 2018-02-02 | 2020-11-24 | 清华大学 | 基于二值特征的大规模图像检索算法 |
CN108446312B (zh) * | 2018-02-06 | 2020-04-21 | 西安电子科技大学 | 基于深度卷积语义网的光学遥感图像检索方法 |
CN108198324B (zh) * | 2018-02-08 | 2019-11-08 | 中南大学 | 一种基于图像指纹的多国纸币币种识别方法 |
CN108427729A (zh) * | 2018-02-23 | 2018-08-21 | 浙江工业大学 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
CN108427738B (zh) * | 2018-03-01 | 2022-03-25 | 中山大学 | 一种基于深度学习的快速图像检索方法 |
CN108959522B (zh) * | 2018-04-26 | 2022-06-17 | 浙江工业大学 | 基于半监督对抗生成网络的迁移检索方法 |
CN108733801B (zh) * | 2018-05-17 | 2020-06-09 | 武汉大学 | 一种面向数字人文的移动视觉检索方法 |
CN110110120B (zh) * | 2018-06-11 | 2021-05-25 | 北方工业大学 | 一种基于深度学习的图像检索方法和装置 |
US11551077B2 (en) | 2018-06-13 | 2023-01-10 | International Business Machines Corporation | Statistics-aware weight quantization |
CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
CN108920720B (zh) * | 2018-07-30 | 2021-09-07 | 电子科技大学 | 基于深度哈希和gpu加速的大规模图像检索方法 |
CN109117771B (zh) * | 2018-08-01 | 2022-05-27 | 四川电科维云信息技术有限公司 | 一种基于锚节点的图像中暴力事件检测系统及方法 |
CN109165306B (zh) * | 2018-08-09 | 2021-11-23 | 长沙理工大学 | 基于多任务哈希学习的图像检索方法 |
CN109241317B (zh) * | 2018-09-13 | 2022-01-11 | 北京工商大学 | 基于深度学习网络中度量损失的行人哈希检索方法 |
CN109284741A (zh) * | 2018-10-30 | 2019-01-29 | 武汉大学 | 一种基于深度哈希网络的大规模遥感影像检索方法和系统 |
CN109583371A (zh) * | 2018-11-29 | 2019-04-05 | 北京航天自动控制研究所 | 基于深度学习的陆标信息提取与匹配方法 |
CN109614998A (zh) * | 2018-11-29 | 2019-04-12 | 北京航天自动控制研究所 | 基于深度学习的陆标数据库制备方法 |
CN109766469B (zh) * | 2018-12-14 | 2020-12-01 | 浙江工业大学 | 一种基于深度哈希学习优化的图像检索方法 |
CN109670057B (zh) * | 2019-01-03 | 2021-06-29 | 电子科技大学 | 一种渐进式的端到端深度特征量化系统及方法 |
CN109800314A (zh) * | 2019-01-03 | 2019-05-24 | 上海大学 | 一种利用深度卷积网络生成用于图像检索的哈希码的方法 |
CN109933682B (zh) * | 2019-01-11 | 2022-01-04 | 上海交通大学 | 一种基于语义与内容信息结合的图像哈希检索方法及系统 |
CN109783682B (zh) * | 2019-01-19 | 2021-01-15 | 北京工业大学 | 一种基于点对相似度的深度非松弛哈希图像检索方法 |
CN109783671B (zh) | 2019-01-30 | 2021-10-08 | 京东方科技集团股份有限公司 | 一种以图搜图的方法、计算机可读介质及服务器 |
CN109829065B (zh) * | 2019-03-08 | 2023-08-18 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN109977250B (zh) * | 2019-03-20 | 2023-03-28 | 重庆大学 | 融合语义信息和多级相似性的深度哈希图像检索方法 |
CN109947963A (zh) * | 2019-03-27 | 2019-06-28 | 山东大学 | 一种基于深度学习的多尺度哈希检索方法 |
CN110059206A (zh) * | 2019-03-29 | 2019-07-26 | 银江股份有限公司 | 一种基于深度表征学习的大规模哈希图像检索方法 |
CN110222218B (zh) * | 2019-04-18 | 2021-07-09 | 杭州电子科技大学 | 基于多尺度NetVLAD和深度哈希的图像检索方法 |
CN110082283B (zh) * | 2019-05-23 | 2021-12-14 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110209867B (zh) * | 2019-06-05 | 2023-05-16 | 腾讯科技(深圳)有限公司 | 图像检索模型的训练方法、装置、设备及存储介质 |
CN110298404B (zh) * | 2019-07-02 | 2020-12-29 | 西南交通大学 | 一种基于三重孪生哈希网络学习的目标跟踪方法 |
CN110399835B (zh) * | 2019-07-26 | 2024-04-02 | 北京文安智能技术股份有限公司 | 一种人员停留时间的分析方法、装置及系统 |
CN110516091A (zh) * | 2019-08-30 | 2019-11-29 | 黑龙江中医药大学 | 一种图像数据检索方法 |
CN111177432B (zh) * | 2019-12-23 | 2020-11-03 | 北京航空航天大学 | 一种基于分层深度哈希的大规模图像检索方法 |
CN111611413B (zh) * | 2020-05-26 | 2023-04-18 | 北京邮电大学 | 基于度量学习的深度哈希方法 |
CN111968171A (zh) * | 2020-08-13 | 2020-11-20 | 北京航空航天大学 | 基于人工智能的飞机油量测量方法及系统 |
CN111930980B (zh) * | 2020-08-21 | 2023-07-07 | 深圳市升幂科技有限公司 | 图像检索模型的训练方法及图像检索方法、装置、及介质 |
CN112529018A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 图像局部特征的训练方法、装置及存储介质 |
CN115410717A (zh) * | 2022-09-15 | 2022-11-29 | 北京京东拓先科技有限公司 | 模型训练方法、数据检索方法、影像数据检索方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834748A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 一种利用基于深度语义排序哈希编码的图像检索方法 |
CN105069173A (zh) * | 2015-09-10 | 2015-11-18 | 天津中科智能识别产业技术研究院有限公司 | 基于有监督的拓扑保持哈希的快速图像检索方法 |
-
2015
- 2015-12-07 CN CN201510901348.2A patent/CN105512289B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834748A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 一种利用基于深度语义排序哈希编码的图像检索方法 |
CN105069173A (zh) * | 2015-09-10 | 2015-11-18 | 天津中科智能识别产业技术研究院有限公司 | 基于有监督的拓扑保持哈希的快速图像检索方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的图像检索研究;马冬梅;《万方数据库》;20141013;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105512289A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN107229757B (zh) | 基于深度学习和哈希编码的视频检索方法 | |
CN110222140A (zh) | 一种基于对抗学习和非对称哈希的跨模态检索方法 | |
CN109783682B (zh) | 一种基于点对相似度的深度非松弛哈希图像检索方法 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN108510012A (zh) | 一种基于多尺度特征图的目标快速检测方法 | |
CN111126488A (zh) | 一种基于双重注意力的图像识别方法 | |
CN108287904A (zh) | 一种基于社会化卷积矩阵分解的文档上下文感知推荐方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和系统 | |
CN112784929B (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN104063706A (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN107506792A (zh) | 一种半监督的显著对象检测方法 | |
CN109472352A (zh) | 一种基于特征图统计特征的深度神经网络模型裁剪方法 | |
CN112417289A (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
Zhang et al. | Multiscale adaptation fusion networks for depth completion | |
CN114282059A (zh) | 视频检索的方法、装置、设备及存储介质 | |
Salem et al. | Semantic image inpainting using self-learning encoder-decoder and adversarial loss | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
Li et al. | Towards communication-efficient digital twin via ai-powered transmission and reconstruction | |
CN104200222B (zh) | 一种基于因子图模型的图片中对象识别方法 | |
CN109583406B (zh) | 基于特征关注机制的人脸表情识别方法 | |
CN112541469B (zh) | 基于自适应分类的人群计数方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |