CN105760875B - 基于随机森林算法的判别二进制图像特征相似实现方法 - Google Patents

基于随机森林算法的判别二进制图像特征相似实现方法 Download PDF

Info

Publication number
CN105760875B
CN105760875B CN201610136643.8A CN201610136643A CN105760875B CN 105760875 B CN105760875 B CN 105760875B CN 201610136643 A CN201610136643 A CN 201610136643A CN 105760875 B CN105760875 B CN 105760875B
Authority
CN
China
Prior art keywords
feature
image
characteristic
quantization
similar
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
Application number
CN201610136643.8A
Other languages
English (en)
Other versions
CN105760875A (zh
Inventor
王霞
王珊
马涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201610136643.8A priority Critical patent/CN105760875B/zh
Publication of CN105760875A publication Critical patent/CN105760875A/zh
Application granted granted Critical
Publication of CN105760875B publication Critical patent/CN105760875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于随机森林算法的判别二进制图像特征相似实现方法，该方法包括：离线索引阶段，提取图像的尺度不变特征转换特征，把所有特征的每一维当作一个向量用K均值方法聚类，将尺度不变特征转换特征量化成512维的二进制特征；把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库。在线检索阶段，提取图像的尺度不变特征转换特征，把特征量化成512维的二进制特征，并与图像特征库中的特征匹配，找出特征的近邻特征，并用随机森林算法对近邻特征进行判别，投票机制检索出相似图像。

Description

基于随机森林算法的判别二进制图像特征相似实现方法
技术领域：
本发明涉及图像处理技术领域中的相似图像检索，特别涉及一种基于随机森林算法的判别二进制图像特征相似实现方法。
背景技术：
随着大数据、云计算等互联网技术的快速发展，网络上存放的图像文档以及相关资料迅速增加，目前已有数以亿计的网络图片，如何存储这些大规模的图像、如何在如此大规模的图像数据库中快速准确的检索到用户想要的图片，已经成为计算机视觉领域的一个重要研究方向。
传统的图像检索模型例如词袋模型(BoW)、局部聚合向量(VLAD)，将图像进行离线索引时，首先将图像的特征进行聚类，聚类中心作为视觉单词，然后再将特征量化成视觉单词进行倒排索引。其中，特征的聚类要计算所有特征之间的欧氏距离，特征量化时要计算所有特征与聚类中心的欧式距离，而128维的欧式距离计算需要花费大量的时间，并且消耗大量的内存。更重要的是，一旦加入新的图像库，必须重新计算视觉单词，可扩展性不好。并且，聚类中心的个数不好确定，而聚类中心的好坏直接影响最终的检索结果。
利用二进制特征描述图像与传统的尺度不变特征转换浮点型描述符相比，具有存储空间少、计算速度快的特点。另一方面二进制特征在匹配查找方面也具有天然优势，可以使用汉明距离进行匹配计算，大大提高匹配速度。目前较为流行的二进制特征例如ORB、FREAK、BRISK算法，这些方法描述符较为简单，可以达到很好的实时处理性能，但是由于描述符简单，对噪声的鲁棒性不够，匹配效果不佳。由于尺度不变特征转换特征可以适应图像缩放、旋转、平移等变化，并且能克服噪声光照变化的影响等良好的性，因此可以得到最佳匹配效果。如何把尺度不变特征转换特征映射成二进制特征以及二进制特征如何有效的索引和匹配是目前研究的一个重要方向。现有二进制特征的匹配方法是计算汉明距离，当距离小于某一阈值则认为匹配，否则认为不匹配。然而阈值设置的小，部分匹配特征不会被匹配到，阈值设置的大，部分不匹配特征会被匹配到，而匹配特征对最终检索结果至关重要。现在的大部分研究在只进行到阈值的设置匹配，目前还没有为阈值匹配后的特征进行有监督的精确匹配。
发明内容：
本发明的目的在于克服上述现有系统中的缺陷，提出了一种基于随机森林算法的判别二进制图像特征相似实现方法，与传统图像检索系统设计相比，该方法可以有效的提高平均检索准确率。
为达到上述目的，本发明通过如下的技术方案予以实现：
基于随机森林算法的判别二进制图像特征相似实现方法，包括以下步骤：
1)离线索引阶段，提取图像的尺度不变特征转换特征，把所有尺度不变特征转换特征的每一维当作一个向量用K均值方法聚类，得到5个聚类中心，然后将尺度不变特征转换特征的每一维按汉明距离最近的聚类中心量化成4位的二进制码，得到512维的二进制特征；把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库；
2)取不少于图像库60％的图像用于有监督的训练，将图像的量化特征与图像库中的特征进行匹配，如果两幅图像相似，则把类别1和量化特征与其匹配特征的异或结果作为新的标签向量，若否，则把类别0和量化特征与其匹配特征的异或结果作为新的标签向量；将这些标签向量用随机森林算法进行有监督的学习和预测，选取最优参数生成随机森林判别模型；
3)在线检索阶段，提取图像的尺度不变特征转换特征，把特征量化成512维的二进制特征，并与图像特征库中的特征匹配，得到量化特征的近邻特征，并用步骤2)中生成的随机判别模型对近邻特征进行判别，投票机制检索出相似图像。
本发明进一步的改进在于，步骤1)中，离线索引阶段，将128维的尺度不变特征转换特征量化成512维的二进制特征，使特征间的汉明距离与欧式距离更具有一致性、二进制特征间的汉明距离更具有判别力；并且把近邻特征一并写入特征库，减少了部分特征不能被匹配到的概率。
本发明进一步的改进在于，步骤1)中，离线索引阶段，将提取出的尺度不变特征转换特征f＝(f1,f2,...,f128)T量化成512维的向量b＝(b1,b2,...,b512)T，具体量化方法如下：
把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库，数据库存储方式如下：
其中，index作为索引，feature1存储前32位特征，用来作求检索特征的最近邻，feature2存储后面480位特征，Image-name是特征对就的图像名称，NN存储的是与特征的汉明距离小于d的特征的索引。
本发明进一步的改进在于，步骤2)中，生成一个基于随机森林算法的判别模型，判别两个特征是否相似，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，此判别方法的具体实施步骤如下：
201)取不少于图像库60％的图像用于有监督的训练，提取图像的尺度不变特征转换特征并量化，将量化后的特征与特征库中的特征匹配，得到量化后特征的近邻特征；
202)比较图像与量化特征的近邻特征对应的图像是否相似，若相似，则把类别1与量化特征与其近邻特征的异或结果作为新的标签向量，若不相似，则把类别0与量化特征与其近邻特征的异或结果作为新的标签向量；
203)分别选取不同的决策树个数和最大层数进行学习和预测，选取预测错误率最低的决策树个数和最大层次数作为参数，生成随机森林判别模型。
本发明进一步的改进在于，步骤3)中，对查询图像的量化特征的近邻特征进行判别，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，把不相似的特征过滤，相似的特征采用投票机制得到检索结果。
相对于现有技术，本发明具有如下技术效果：
本发明基于随机森林算法的判别二进制图像特征相似实现方法，该检索系统采用二进制特征进行特征相似匹配，可以大大提高匹配速度，并且可以减少特征存储空间；另外，本检索系统中，新增加一个有监督的基于随机森林算法的特征相似判别模型，可以过滤大部分不匹配的特征。将二者结合，既可以提高检索速度，也可以提高平均检索准确率。
附图说明：
图1为本发明基于随机森林算法的判别二进制图像特征相似实现方法的流程图；
图2为本发明中随机森林算法的决策树树目仿真图；
图3为本发明中随机森林算法的最大层数数目仿真图。
具体实施方式：
下面结合附图和具体实施例对本发明作进一步说明。
在离线索引阶段，提取图像库中的特征，建立特征库；在线检索阶段，提取查询图像的特征，与特征库中的特征进行匹配，把匹配的特征输入到随机森林判别模型，对相似特征采用投票机制，输出检索结果。
参见图1，本发明基于随机森林算法的判别二进制图像特征相似实现方法，包括以下步骤：
1)离线索引阶段，提取图像的尺度不变特征转换特征，把所有特征的每一维当作一个向量用K均值方法聚类，得到5个聚类中心，然后将尺度不变特征转换特征的每一维按汉明距离最近的聚类中心量化成4位的二进制码，得到512维的二进制特征；把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库。
2)取不少于图像库60％的图像用于有监督的训练，将图像的量化特征与图像库中的特征进行匹配，如果两幅图像相似，则把类别1和量化特征与其近邻特征的异或结果作为新的标签向量，若否，则把类别0和量化特征与其近邻特征的异或结果作为新的标签向量。将这些标签向量用随机森林算法进行有监督的学习和预测，选取最优参数生成随机森林判别模型。
3)在线检索阶段，提取图像的尺度不变特征转换特征，把特征量化成512维的二进制特征，并与图像特征库中的特征匹配，得到量化特征的近邻特征，并用步骤2中的判别模型对近邻特征进行判别，投票机制检索出相似图像。
其中，上述步骤1)中，离线索引阶段，将提取出的尺度不变特征转换特征f＝(f1,f2,...,f128)T量化成512维的向量b＝(b1,b2,...,b512)T，具体量化方法如下：
把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库，数据库存储方式如下：
index feature1 feature2 Image-name NN
1
2
3
4
其中，index作为索引，feature1存储前32位特征，用来作求检索特征的最近邻，feature2存储后面480位特征，Image-name是特征对就的图像名称，NN存储的是与特征的汉明距离小于d的特征的索引。
其中，上述步骤2)中，生成一个随机森林判别模型，判别两个特征是否相似，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，此判别方法的具体实施步骤如下：
1)取不少于图像库60％的图像用于有监督的学习和预测，提取图像的尺度不变特征转换特征并量化，将量化后的特征与特征库中的特征匹配，得到量化特征的近邻特征；
2)比较图像与其量化特征的近邻特征对应的图像是否相似，若相似，则把类别1和量化特征与其近邻特征的异或结果作为新的标签向量，若不相似，则把类别0和量化特征与其近邻特征的异或结果作为新的标签向量；
3)分别选取不同的决策树个数和最大层数进行学习和预测，选取预测错误率最低的决策树个数和最大层次数作为参数，生成随机森林判别模型。
其中，步骤3)中，对查询图像的量化特征的近邻特征进行判别，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，把不相似的特征过滤，对相似的特征采用投票机制得到检索结果。
实验和效果分析
由图2可知，决策树个数为75时，预测错误率最小；由图3可知，训练层数越大，预测错误率最小，但是训练层数越大，训练时间越长并且预测错误率降低的越少。实验采用的模型参数为：numTrees＝75,maxDepth＝25。
结果分析，不同二进制特征方法下平均检索准确率如下表所示：
根据上表可以看出本发明提出的基于随机森林算法判别二进制特征相似的相似图像检索系统的实现方法能够明显提高检索系统的平均检索准确率。

Claims (4)

1.基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，包括以下步骤：
1)离线索引阶段，提取图像的尺度不变特征转换特征，把所有尺度不变特征转换特征的每一维当作一个向量用K均值方法聚类，得到5个聚类中心，然后将尺度不变特征转换特征的每一维按汉明距离最近的聚类中心量化成4位的二进制码，得到512维的二进制特征；把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库；具体如下：
将提取出的尺度不变特征转换特征f＝(f1,f2,...,f128)T量化成512维的向量b＝(b1,b2,...,b512)T，具体量化方法如下：
把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库，数据库存储方式如下：
index feature1 feature2 Image-name NN 1 2 3 4
其中，index作为索引，feature1存储前32位特征，用来作求检索特征的最近邻，feature2存储后面480位特征，Image-name是特征对就的图像名称，NN存储的是与特征的汉明距离小于d的特征的索引；
其中，量化后特征的近邻特征为：取不少于图像库60％的图像用于有监督的训练，提取图像的尺度不变特征转换特征并量化，将量化后的特征与特征库中的特征匹配得到；
2)取不少于图像库60％的图像用于有监督的训练，将图像的量化特征与图像库中的特征进行匹配，如果两幅图像相似，则把类别1和量化特征与其匹配特征的异或结果作为新的标签向量，若否，则把类别0和量化特征与其匹配特征的异或结果作为新的标签向量；将这些标签向量用随机森林算法进行有监督的学习和预测，选取最优参数生成随机森林判别模型；
3)在线检索阶段，提取图像的尺度不变特征转换特征，把特征量化成512维的二进制特征，并与图像特征库中的特征匹配，得到量化特征的近邻特征，并用步骤2)中生成的随机判别模型对近邻特征进行判别，投票机制检索出相似图像。
2.根据权利要求1所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤1)中，离线索引阶段，将128维的尺度不变特征转换特征量化成512维的二进制特征，使特征间的汉明距离与欧式距离更具有一致性、二进制特征间的汉明距离更具有判别力；并且把近邻特征一并写入特征库，减少了部分特征不能被匹配到的概率。
3.根据权利要求1所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤2)中，生成一个基于随机森林算法的判别模型，判别两个特征是否相似，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，此判别方法的具体实施步骤如下：
201)比较图像与量化特征的近邻特征对应的图像是否相似，若相似，则把类别1与量化特征与其近邻特征的异或结果作为新的标签向量，若不相似，则把类别0与量化特征与其近邻特征的异或结果作为新的标签向量；
202)分别选取不同的决策树个数和最大层数进行学习和预测，选取预测错误率最低的决策树个数和最大层次数作为参数，生成随机森林判别模型。
4.根据权利要求3所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤3)中，对查询图像的量化特征的近邻特征进行判别，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，把不相似的特征过滤，相似的特征采用投票机制得到检索结果。
CN201610136643.8A 2016-03-10 2016-03-10 基于随机森林算法的判别二进制图像特征相似实现方法 Active CN105760875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610136643.8A CN105760875B (zh) 2016-03-10 2016-03-10 基于随机森林算法的判别二进制图像特征相似实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610136643.8A CN105760875B (zh) 2016-03-10 2016-03-10 基于随机森林算法的判别二进制图像特征相似实现方法

Publications (2)

Publication Number Publication Date
CN105760875A CN105760875A (zh) 2016-07-13
CN105760875B true CN105760875B (zh) 2019-03-01

Family

ID=56333012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610136643.8A Active CN105760875B (zh) 2016-03-10 2016-03-10 基于随机森林算法的判别二进制图像特征相似实现方法

Country Status (1)

Country Link
CN (1) CN105760875B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599913B (zh) * 2016-12-07 2019-08-06 重庆邮电大学 一种基于聚类的多标签不平衡生物医学数据分类方法
CN106874942B (zh) * 2017-01-21 2020-03-31 江苏大学 一种基于正则表达式语义的目标模型快速构建方法
CN108897775A (zh) * 2018-06-01 2018-11-27 昆明理工大学 一种基于感知哈希的快速图像识别系统及方法
CN109739846A (zh) * 2018-12-27 2019-05-10 国电南瑞科技股份有限公司 一种电网数据质量分析方法
CN110349191A (zh) * 2019-06-25 2019-10-18 昆明理工大学 一种基于感知哈希算法的视觉跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763137B1 (en) * 2000-09-14 2004-07-13 Canon Kabushiki Kaisha Recognition and clustering of connected components in bi-level images
CN102136062A (zh) * 2011-03-08 2011-07-27 西安交通大学 一种基于多分辨lbp的人脸检索方法
CN102799614A (zh) * 2012-06-14 2012-11-28 北京大学 基于视觉词语空间共生性的图像检索方法
CN103235955A (zh) * 2013-05-03 2013-08-07 中国传媒大学 一种图像检索中视觉单词的提取方法
CN103679186A (zh) * 2012-09-10 2014-03-26 华为技术有限公司 检测和跟踪目标的方法和装置
CN104392250A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于MapReduce的图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763137B1 (en) * 2000-09-14 2004-07-13 Canon Kabushiki Kaisha Recognition and clustering of connected components in bi-level images
CN102136062A (zh) * 2011-03-08 2011-07-27 西安交通大学 一种基于多分辨lbp的人脸检索方法
CN102799614A (zh) * 2012-06-14 2012-11-28 北京大学 基于视觉词语空间共生性的图像检索方法
CN103679186A (zh) * 2012-09-10 2014-03-26 华为技术有限公司 检测和跟踪目标的方法和装置
CN103235955A (zh) * 2013-05-03 2013-08-07 中国传媒大学 一种图像检索中视觉单词的提取方法
CN104392250A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于MapReduce的图像分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于视觉显著度词袋模型的图像分类方法;杨晓敏等;《数学技术与应用》;20140715;全文
一种面向快速图像匹配的扩展LSH算法;何周灿等;《四川大学学报（自然科学版）》;20100308;第47卷(第2期);全文
分布式相似音视频检索;刘畅;《北京邮电大学硕士论文》;20151201;全文
改进的二进制特征图像检索算法;黄超;《计算机工程与应用》;20150715;全文

Also Published As

Publication number Publication date
CN105760875A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN106682233B (zh) 一种基于深度学习与局部特征融合的哈希图像检索方法
CN105760875B (zh) 基于随机森林算法的判别二进制图像特征相似实现方法
US9864928B2 (en) Compact and robust signature for large scale visual search, retrieval and classification
CN108038122B (zh) 一种商标图像检索的方法
CN108280187B (zh) 一种基于卷积神经网络深度特征的分级图像检索方法
Duan et al. Weighted component hashing of binary aggregated descriptors for fast visual search
CN104778242A (zh) 基于图像动态分割的手绘草图图像检索方法及系统
Liu et al. Uniting keypoints: Local visual information fusion for large-scale image search
Ferdowsi et al. Fast content identification in high-dimensional feature spaces using sparse ternary codes
Zagoris et al. Image retrieval systems based on compact shape descriptor and relevance feedback information
Zhang et al. Automatic discrimination of text and non-text natural images
CN112182262B (zh) 一种基于特征分类的图像查询方法
CN112163114B (zh) 一种基于特征融合的图像检索方法
Vieux et al. Content based image retrieval using bag-of-regions
Hare et al. Efficient clustering and quantisation of SIFT features: exploiting characteristics of the SIFT descriptor and interest region detectors under image inversion
JP5833499B2 (ja) 高次元の特徴ベクトル集合で表現されるコンテンツを高精度で検索する検索装置及びプログラム
JP6017277B2 (ja) 特徴ベクトルの集合で表されるコンテンツ間の類似度を算出するプログラム、装置及び方法
CN113920303B (zh) 一种基于卷积神经网络弱监督类别无关的图像相似性检索系统及其控制方法
CN110162654A (zh) 一种基于融合特征与检索结果优化的现勘图像检索算法
Nayef et al. Efficient symbol retrieval by building a symbol index from a collection of line drawings
CN108959650A (zh) 基于共生surf特征的图像检索方法
John et al. A novel deep learning based cbir model using convolutional siamese neural networks
Rane et al. A review of object recognition using visual codebook
Zhang Near-Duplicate Image Retrieval Based on Multiple Features
Mao et al. Cross-modal representation learning based on contrast learning

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