CN105718960A - 基于卷积神经网络和空间金字塔匹配的图像排序模型 - Google Patents
基于卷积神经网络和空间金字塔匹配的图像排序模型 Download PDFInfo
- Publication number
- CN105718960A CN105718960A CN201610057640.5A CN201610057640A CN105718960A CN 105718960 A CN105718960 A CN 105718960A CN 201610057640 A CN201610057640 A CN 201610057640A CN 105718960 A CN105718960 A CN 105718960A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- data
- feature
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于卷积神经网络和空间金字塔匹配的图像排序模型，结合近似最近邻匹配算法和类似的SPM算法作为图像之间相似性的度量。该模型包括卷积神经网络、近似最近邻匹配算法、类似空间金字塔匹配算法的应用。图像块的特征没有类别的划分，而是对利用快速最近邻查找算法找到的匹配的图像块的数量进行计数作为不同分辨率下的不同匹配数的度量，最后对这些不同分辨率下的不同匹配数加权求和作为两幅图像相似性的度量。将训练好的卷积神经网络提取的图像块的特征在同一个训练集上用三种相似性度量方法进行了测试；利用卷积神经网络提取图像块的特征得到特征向量集，利用最近邻匹配算法同时考虑空间信息的方法对图像之间相似性的度量有一定的研究价值。
Description
技术领域
本发明属于计算机视觉领域，具体地涉及基于内容的图像检索中的图像排序模型。
背景技术
图像检索的主要目的是找到人们需求的图像。以图搜图的需求日益明显，作为图像检索的一个子问题，研究热度也正超过基于文本的图像检索。以图搜图的研究越来越受到关注，并且取得了一定的研究成果。
大部分比较图像之间相似性的方法是建立在图像特征描述符的基础上，利用某种计算方法通过特征描述符的相似性来作为图像之间相似性的判断准则。其中特征描述符大多是人为设计的特征提取算法，例如SIFT，MSERs。虽然人为设计的算法不断考虑视角、光照强度、阴影等因素的影响，但是图像所受到的影响因素之多，目前还没有一个很好的算法来完全地合理地考虑所有影响因素或者合理地表征一幅图像。故人为设计的特征提取算法有一定的局限性，对于图像相似性的计算相对来说没有扩展性。随着深度学习算法的提出和应用，针对不同的问题，调整神经网络的结构，通过训练得到解决问题的合适模型越来越受到关注，从原始数据集中直接学习训练得到模型的方式也越来越受到青睐。Krizhevsky证明了卷积神经网络在图像分类领域的成功。Matthew和Rob对卷积神经网络的可视化，表明了卷积神经网络通过学习得到的图像描述符能够很好的表征图像，同时清楚地说明了为何卷积神经网络有如此大的优势。将卷积神经网络提取的特征描述符应用于图像检索领域，证明了卷积神经网络高层提供的特征描述符能很好的表征图像，为该结构应用于图像检索领域提供了有利的证明。图像检索最后要得到排序模型，所以成对比较模型也被广泛提出。深度排序模型通过在成组的图像所组成的训练集上的训练来得到排序模型，但是通过不同的人为设计的特征提取算法的线性组合来自动产生训练集，不仅计算代价高，而且受人为设计的特征提取算法的局限性的影响，这些缺点导致训练集的不严格，对模型的训练起到了关键的影响。
通过卷积神经网络学习图像块间相似性模型，比较的是两个图像块之间的相似性与否。通过对比图像中图像块之间的相似性是计算机视觉领域中一个基础的研究课题。图像块相似性模型可以应用于物体识别，图像检索和分类等领域。空间金字塔匹配(SPM)算法利用图像的空间结构来定义图像之间的距离。通过在空间上对图像进行金字塔式切分，不同的金字塔层有不同的块数。通过对每一层中的每一块提取特征直方图，得到图像的直方图，将两幅图像的对应的直方图进行加权求和来度量图像之间的距离。但是，SPM算法中对特征进行分类，将特征强制划分为不同的种类，损失了特征表示的信息。图像检索的核心问题是图像之间的相似性度量，因此，可以将图像划分为固定大小的图像块，利用卷积神经网络的可扩展性和其对图像的表征能力提取图像块的特征，用最近邻匹配算法高效查找图像之间匹配的图像块，对匹配的图像块应用类似于SPM的算法即结合空间位置信息作为衡量图像相似性的依据。
发明目的
本发明给出一种基于内容的图像检索的图像排序模型。主要解决的技术问题是提供一种新的衡量图像相似性的算法，以卷积神经网络为基础，结合近似最近邻匹配算法和类似的SPM算法作为图像之间相似性的度量。
本发明主要涉及基于内容的图像排序模型，其中包括卷积神经网络、近似最近邻匹配算法、类似空间金字塔匹配(SPM)算法的应用。发明的流程如图1，主要步骤如下：
S1基于卷积神经网络的图像块的特征提取
图像块的特征描述符，是为了计算图像块之间的相似度，利用卷积神经网络的学习能力直接从图像数据集中学习到图像的特征描述符。利用卷积神经网络进行特征提取，最主要的就是网络结构的设计，防止过拟合的发生。
模型由两个分支构成，对输入的图像块，进行下采样和中间部分的切割，得到的两个大小相同的部分分别进行特征提取，每一个分支均由四个卷积层、两个池化层和四个ReLU层组成，最后对两个部分得到的特征进行线性组合得到图像块的特征描述符，每一个模型的输入是一组数据，即两个图像块，两个图像块共享相同的网络结构和参数。两个图像块的特征描述符最终要被输入要决策层，来判断两个图像块是否相似，输出的结果与这组数据对应的标签进行对比，并利用反向传播算法对模型进行优化，直到模型收敛。将模型的结构设计成两个分支是考虑到图像块中间部分的信息比图像块边缘部分更具有价值，同时多分辨率下的信息对提高图像的匹配度至关重要。
S2快速最近邻查找算法
在图像检索领域中，在高维的图像特征向量中进行查找和匹配是常用的两种操作，从大规模的高维数据空间中快速准确定位结果向量是至关重要的问题。Kd树(K-dimensionTree)，是一种针对高维索引的树形数据结构，是一种常用于高维空间中的近似最近邻查找技术。这种数据结构最主要的就是Kd树的构建和查找过程，下面主要介绍Kd树的构建和查找算法过程如下。
Kd树的构建类似于二叉查找树的构建过程，但是仍然有其自身特点，具体过程表述如下：
a)对数据集中的所有数据的每一个维度计算方差，判断所有方差是否相等，如果相等，则建立一个叶子节点，将数据集中所有数据储存到该节点中，结束；否则转至b)；
b)选择方差最大的维度作为划分的维度k，计算所有数据在这一个维度下的数值的中值作为划分的数值m，同时建立一个新的节点用于储存划分维度和划分值；
c)将数据集中的所有数据按照c)步中确定的维度k下的数据和划分数值m对比，以不大于和大于为依据，将数据集划分为两个子集；
d)对划分的两个集合分别看作新的数据集，转至步骤a)。
参照Kd树的构建，其查找过程可以按照构建的过程来查找到叶子节点，进而分别计算查找点和叶子节点中的数据点的距离，距离最近的可以认为是查询点的匹配点，但是，划分数据时仅选择一个维度的值进行比较，所以，可能导致按照这种方式得到的点不是最紧邻点，误差较大。针对这个问题，查找过程中进行了回溯操作，但是，这又导致面对较高维度的图像块的特征描述符，这样查找算法效率低下。
为此，采用改进的查找算法BBF：
a)取节点中保存的划分维度k和数值，将查询点在维度k上的值同m进行比较，根据比较结果选择该节点下的某一个分支下继续访问；同时将另一个未被选择的分支在Kd树中的位置和其同查询点的距离保存到一个优先级队列中；
b)如果当前访问的节点不是叶子节点，则重复a)中的比较过程；否则，计算查询点和叶子节点中保存的数据点之间的距离，记录最小的距离为Min以及对应的数据点P；
c)如果当前回溯的次数小于所给定的最大回溯次数并且优先级队列不为空，则从队列中取出和查询点距离最小的节点访问，转至步骤a)；否则，查找结束，此时变量Min中记录的就是和查询点的最小距离，变量P中就是和查询点匹配的近似最近邻点。
通过上述方法，能够高效快速地得到两幅图像中匹配的图像块。
S3类似空间金字塔匹配算法
空间金字塔匹配(SPM)算法受金字塔匹配核函数的启发，但是两种方法截然不同，空间金字塔匹配算法是直接按照不同的分辨率将图像进行划分，而不是在最终得到的特征空间中对特征集合进行划分，直接在原始图像中利用了图像中的空间信息。该算法是将图像以不同的分辨率进行切分，对每一个分辨率下同一个区域中属于同一个类别的特征进行计数统计，最后将不同特征进行加权连接作为一幅图像的特征直方图作为图像的特征。
考虑到对图像中的图像块进行匹配的时候并未应用到图像块相对图像的空间信息，所以，为了提高图像相似性的对比性，采用SPM算法中的金字塔式划分方式，将图像以不同的分辨率进行划分，同样在同一个分辨率下属于同一个区域下计数，但是，图像块的特征没有类别的划分，而是对利用快速最近邻查找算法找到的匹配的图像块的数量进行计数作为不同分辨率下的不同匹配数的度量，最后对这些不同分辨率下的不同匹配数加权求和作为两幅图像相似性的度量。
附图说明
图1为模型训练和测试流程图。
图2为卷积神经网络模型图。
具体实施方式
根据上面的方法进行实验。将训练好的卷积神经网络提取的图像块的特征在同一个训练集上用三种相似性度量方法进行了测试：直接用最近邻匹配算法来匹配模型提取的特征(Kd_match)、在模型提取的图像特征的基础上直接利用SPM算法来计算图像之间的匹配度(SPM_match)、在模型提取的图像特征的基础上用最近邻匹配和改进的SPM算法来计算图像之间的匹配度(Our)。同时实验结果同近年来针对图像排序问题有所突破的模型进行了对比，其中包括针对分类问题的深度神经网络模型ConvNet和针对排序问题的深度排序模型DeepRanking。
表1为实验结果的比较。通过对比可以看出，利用卷积神经网络提取图像块的特征得到特征向量集，利用最近邻匹配算法同时考虑空间信息的方法对图像之间相似性的度量有一定的研究价值。
表1：实验结果对比
| Method | Precision |
| SPM_match | 66.9％ |
| Kd_match | 77.6％ |
| ConvNet | 82.8％ |
| DeepRanking | 85.7％ |
| Our | 88.1％ |
Claims (2)
1.基于卷积神经网络和空间金字塔匹配的图像排序模型，其中包括卷积神经网络、近似最近邻匹配算法、类似空间金字塔匹配(SPM)算法的应用；其特征在于：主要步骤如下，
S1基于卷积神经网络的图像块的特征提取
图像块的特征描述符，是为了计算图像块之间的相似度，利用卷积神经网络的学习能力直接从图像数据集中学习到图像的特征描述符；利用卷积神经网络进行特征提取，最主要的就是网络结构的设计，防止过拟合的发生；
模型由两个分支构成，对输入的图像块，进行下采样和中间部分的切割，得到的两个大小相同的部分分别进行特征提取，每一个分支均由四个卷积层、两个池化层和四个ReLU层组成，最后对两个部分得到的特征进行线性组合得到图像块的特征描述符，每一个模型的输入是一组数据，即两个图像块，两个图像块共享相同的网络结构和参数；两个图像块的特征描述符最终要被输入要决策层，来判断两个图像块是否相似，输出的结果与这组数据对应的标签进行对比，并利用反向传播算法对模型进行优化，直到模型收敛；将模型的结构设计成两个分支是考虑到图像块中间部分的信息比图像块边缘部分更具有价值，同时多分辨率下的信息对提高图像的匹配度至关重要；
S2快速最近邻查找算法
在图像检索领域中，在高维的图像特征向量中进行查找和匹配是常用的两种操作，从大规模的高维数据空间中快速准确定位结果向量是至关重要的问题；Kd树(K-dimensionTree)，是一种针对高维索引的树形数据结构，是一种常用于高维空间中的近似最近邻查找技术；这种数据结构最主要的就是Kd树的构建和查找过程，下面主要介绍Kd树的构建和查找算法过程如下；
Kd树的构建类似于二叉查找树的构建过程，但是仍然有其自身特点，具体过程表述如下：
a)对数据集中的所有数据的每一个维度计算方差，判断所有方差是否相等，如果相等，则建立一个叶子节点，将数据集中所有数据储存到该节点中，结束；否则转至b)；
b)选择方差最大的维度作为划分的维度k，计算所有数据在这一个维度下的数值的中值作为划分的数值m，同时建立一个新的节点用于储存划分维度和划分值；
c)将数据集中的所有数据按照c)步中确定的维度k下的数据和划分数值m对比，以不大于和大于为依据，将数据集划分为两个子集；
d)对划分的两个集合分别看作新的数据集，转至步骤a)；
参照Kd树的构建，其查找过程可以按照构建的过程来查找到叶子节点，进而分别计算查找点和叶子节点中的数据点的距离，距离最近的可以认为是查询点的匹配点，但是，划分数据时仅选择一个维度的值进行比较，所以，可能导致按照这种方式得到的点不是最紧邻点，误差较大；针对这个问题，查找过程中进行了回溯操作，但是，这又导致面对较高维度的图像块的特征描述符，这样查找算法效率低下；
为此，采用改进的查找算法BBF：
a)取节点中保存的划分维度k和数值，将查询点在维度k上的值同m进行比较，根据比较结果选择该节点下的某一个分支下继续访问；同时将另一个未被选择的分支在Kd树中的位置和其同查询点的距离保存到一个优先级队列中；
b)如果当前访问的节点不是叶子节点，则重复a)中的比较过程；否则，计算查询点和叶子节点中保存的数据点之间的距离，记录最小的距离为Min以及对应的数据点P；
c)如果当前回溯的次数小于所给定的最大回溯次数并且优先级队列不为空，则从队列中取出和查询点距离最小的节点访问，转至步骤a)；否则，查找结束，此时变量Min中记录的就是和查询点的最小距离，变量P中就是和查询点匹配的近似最近邻点；
通过上述方法，能够高效快速地得到两幅图像中匹配的图像块；S3类似空间金字塔匹配算法
空间金字塔匹配(SPM)算法受金字塔匹配核函数的启发，但是两种方法截然不同，空间金字塔匹配算法是直接按照不同的分辨率将图像进行划分，而不是在最终得到的特征空间中对特征集合进行划分，直接在原始图像中利用了图像中的空间信息；该算法是将图像以不同的分辨率进行切分，对每一个分辨率下同一个区域中属于同一个类别的特征进行计数统计，最后将不同特征进行加权连接作为一幅图像的特征直方图作为图像的特征。
2.根据权利要求1所述的基于卷积神经网络和空间金字塔匹配的图像排序模型，其特征在于：考虑到对图像中的图像块进行匹配的时候并未应用到图像块相对图像的空间信息，所以，为了提高图像相似性的对比性，采用SPM算法中的金字塔式划分方式，将图像以不同的分辨率进行划分，同样在同一个分辨率下属于同一个区域下计数，但是，图像块的特征没有类别的划分，而是对利用快速最近邻查找算法找到的匹配的图像块的数量进行计数作为不同分辨率下的不同匹配数的度量，最后对这些不同分辨率下的不同匹配数加权求和作为两幅图像相似性的度量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610057640.5A CN105718960B (zh) | 2016-01-27 | 2016-01-27 | 基于卷积神经网络和空间金字塔匹配的图像排序模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610057640.5A CN105718960B (zh) | 2016-01-27 | 2016-01-27 | 基于卷积神经网络和空间金字塔匹配的图像排序模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105718960A true CN105718960A (zh) | 2016-06-29 |
| CN105718960B CN105718960B (zh) | 2019-01-04 |
Family
ID=56154119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610057640.5A Active CN105718960B (zh) | 2016-01-27 | 2016-01-27 | 基于卷积神经网络和空间金字塔匹配的图像排序模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105718960B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407891A (zh) * | 2016-08-26 | 2017-02-15 | 东方网力科技股份有限公司 | 基于卷积神经网络的目标匹配方法及装置 |
| CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
| CN106980880A (zh) * | 2017-03-06 | 2017-07-25 | 北京小米移动软件有限公司 | 图像匹配的方法及装置 |
| CN107330439A (zh) * | 2017-07-14 | 2017-11-07 | 腾讯科技（深圳）有限公司 | 一种图像中物体姿态的确定方法、客户端及服务器 |
| WO2018107371A1 (zh) * | 2016-12-13 | 2018-06-21 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
| CN109033172A (zh) * | 2018-06-21 | 2018-12-18 | 西安理工大学 | 一种深度学习与近似目标定位的图像检索方法 |
| CN109461115A (zh) * | 2018-07-27 | 2019-03-12 | 北京电影学院 | 一种基于深度卷积网络的自动图像配准方法 |
| CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
| CN110110658A (zh) * | 2019-05-07 | 2019-08-09 | 杭州鸿泉物联网技术股份有限公司 | 一种包含有车道线的图像分割处理方法及装置 |
| CN110866550A (zh) * | 2019-11-01 | 2020-03-06 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
| CN111914890A (zh) * | 2020-06-23 | 2020-11-10 | 北京迈格威科技有限公司 | 图像之间的图像块匹配方法、图像配准方法和产品 |
| CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
| CN112906829A (zh) * | 2021-04-13 | 2021-06-04 | 成都四方伟业软件股份有限公司 | 一种基于Mnist数据集的数字识别模型构建方法及装置 |
| CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
| CN113221921A (zh) * | 2021-05-21 | 2021-08-06 | 吉林大学 | 基于优选空间的sift特征快速提取方法 |
| US11145088B2 (en) | 2018-10-31 | 2021-10-12 | Samsung Electronics Co., Ltd. | Electronic apparatus and method for controlling thereof |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070217676A1 (en) * | 2006-03-15 | 2007-09-20 | Kristen Grauman | Pyramid match kernel and related techniques |
| CN101308544A (zh) * | 2008-07-11 | 2008-11-19 | 中国科学院地理科学与资源研究所 | 一种基于栅格的空间异质模式识别方法及分层方法 |
| CN102194133A (zh) * | 2011-07-05 | 2011-09-21 | 北京航空航天大学 | 基于数据聚类的适应性图像sift特征匹配方法 |
| CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
| CN104216949A (zh) * | 2014-08-13 | 2014-12-17 | 中国科学院计算技术研究所 | 一种融合空间信息的图像特征聚合表示方法及系统 |
-
2016
- 2016-01-27 CN CN201610057640.5A patent/CN105718960B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070217676A1 (en) * | 2006-03-15 | 2007-09-20 | Kristen Grauman | Pyramid match kernel and related techniques |
| CN101308544A (zh) * | 2008-07-11 | 2008-11-19 | 中国科学院地理科学与资源研究所 | 一种基于栅格的空间异质模式识别方法及分层方法 |
| CN102194133A (zh) * | 2011-07-05 | 2011-09-21 | 北京航空航天大学 | 基于数据聚类的适应性图像sift特征匹配方法 |
| CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
| CN104216949A (zh) * | 2014-08-13 | 2014-12-17 | 中国科学院计算技术研究所 | 一种融合空间信息的图像特征聚合表示方法及系统 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407891A (zh) * | 2016-08-26 | 2017-02-15 | 东方网力科技股份有限公司 | 基于卷积神经网络的目标匹配方法及装置 |
| CN106407891B (zh) * | 2016-08-26 | 2019-06-28 | 东方网力科技股份有限公司 | 基于卷积神经网络的目标匹配方法及装置 |
| CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
| US10853409B2 (en) | 2016-12-13 | 2020-12-01 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image search |
| WO2018107371A1 (zh) * | 2016-12-13 | 2018-06-21 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
| CN106980880A (zh) * | 2017-03-06 | 2017-07-25 | 北京小米移动软件有限公司 | 图像匹配的方法及装置 |
| CN107330439A (zh) * | 2017-07-14 | 2017-11-07 | 腾讯科技（深圳）有限公司 | 一种图像中物体姿态的确定方法、客户端及服务器 |
| CN107330439B (zh) * | 2017-07-14 | 2022-11-04 | 腾讯科技（深圳）有限公司 | 一种图像中物体姿态的确定方法、客户端及服务器 |
| CN109033172A (zh) * | 2018-06-21 | 2018-12-18 | 西安理工大学 | 一种深度学习与近似目标定位的图像检索方法 |
| CN109033172B (zh) * | 2018-06-21 | 2021-12-17 | 西安理工大学 | 一种深度学习与近似目标定位的图像检索方法 |
| CN109461115A (zh) * | 2018-07-27 | 2019-03-12 | 北京电影学院 | 一种基于深度卷积网络的自动图像配准方法 |
| US11145088B2 (en) | 2018-10-31 | 2021-10-12 | Samsung Electronics Co., Ltd. | Electronic apparatus and method for controlling thereof |
| CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
| CN109784194B (zh) * | 2018-12-20 | 2021-11-23 | 北京图森智途科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
| CN110110658A (zh) * | 2019-05-07 | 2019-08-09 | 杭州鸿泉物联网技术股份有限公司 | 一种包含有车道线的图像分割处理方法及装置 |
| CN110866550B (zh) * | 2019-11-01 | 2022-06-14 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
| CN110866550A (zh) * | 2019-11-01 | 2020-03-06 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
| CN111914890A (zh) * | 2020-06-23 | 2020-11-10 | 北京迈格威科技有限公司 | 图像之间的图像块匹配方法、图像配准方法和产品 |
| CN111914890B (zh) * | 2020-06-23 | 2024-05-14 | 北京迈格威科技有限公司 | 图像之间的图像块匹配方法、图像配准方法和产品 |
| CN112581516A (zh) * | 2020-11-30 | 2021-03-30 | 北京迈格威科技有限公司 | 图像匹配方法、装置、电子设备及存储介质 |
| CN112906829A (zh) * | 2021-04-13 | 2021-06-04 | 成都四方伟业软件股份有限公司 | 一种基于Mnist数据集的数字识别模型构建方法及装置 |
| CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
| CN113221921B (zh) * | 2021-05-21 | 2022-05-27 | 吉林大学 | 基于优选空间的sift特征快速提取方法、计算机设备以及存储介质 |
| CN113221921A (zh) * | 2021-05-21 | 2021-08-06 | 吉林大学 | 基于优选空间的sift特征快速提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105718960B (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105718960A (zh) | 基于卷积神经网络和空间金字塔匹配的图像排序模型 | |
| CN110059198B (zh) | 一种基于相似性保持的跨模态数据的离散哈希检索方法 | |
| CN107577990B (zh) | 一种基于gpu加速检索的大规模人脸识别方法 | |
| CN104008395B (zh) | 一种基于人脸检索的不良视频智能检测方法 | |
| CN104090972A (zh) | 用于三维城市模型检索的图像特征提取和相似性度量方法 | |
| CN104281572B (zh) | 一种基于互信息的目标匹配方法及其系统 | |
| CN109086405B (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 | |
| US11210555B2 (en) | High-dimensional image feature matching method and device | |
| CN108171279A (zh) | 一种多视角视频自适应乘积Grassmann流形子空间聚类方法 | |
| CN110942091A (zh) | 寻找可靠的异常数据中心的半监督少样本图像分类方法 | |
| CN105631416A (zh) | 采用新型密度聚类进行人脸识别的方法 | |
| CN109635140B (zh) | 一种基于深度学习和密度峰值聚类的图像检索方法 | |
| CN104112018A (zh) | 一种大规模图像检索方法 | |
| CN109447175A (zh) | 结合深度学习与度量学习的行人再识别方法 | |
| CN103065158A (zh) | 基于相对梯度的isa模型的行为识别方法 | |
| Xu et al. | Iterative manifold embedding layer learned by incomplete data for large-scale image retrieval | |
| CN108399185A (zh) | 一种多标签图像的二值向量生成方法及图像语义相似度查询方法 | |
| Lin et al. | Visual feature coding based on heterogeneous structure fusion for image classification | |
| CN105117407A (zh) | 一种基于聚类的距离方向直方图的图像检索方法 | |
| CN109165698A (zh) | 一种面向智慧交通的图像分类识别方法及其存储介质 | |
| Dong et al. | A novel loop closure detection method using line features | |
| CN103034869A (zh) | 一种邻域自适应的局部保持投影方法 | |
| CN104142978B (zh) | 一种基于多特征和稀疏表示的图像检索系统及方法 | |
| CN113486751A (zh) | 一种基于图卷积和边缘权重注意力的行人特征提取方法 | |
| CN115392474B (zh) | 一种基于迭代优化的局部感知图表示学习方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211118 Address after: 518052 Room 201, building A, 1 front Bay Road, Shenzhen Qianhai cooperation zone, Shenzhen, Guangdong Patentee after: Shenzhen Xiaofeng Technology Co.,Ltd. Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing Patentee before: Beijing University of Technology |
|
| TR01 | Transfer of patent right |