CN105868743B - 一种基于快速监督离散哈希的人脸检索方法 - Google Patents
一种基于快速监督离散哈希的人脸检索方法 Download PDFInfo
- Publication number
- CN105868743B CN105868743B CN201610381769.1A CN201610381769A CN105868743B CN 105868743 B CN105868743 B CN 105868743B CN 201610381769 A CN201610381769 A CN 201610381769A CN 105868743 B CN105868743 B CN 105868743B
- Authority
- CN
- China
- Prior art keywords
- training sample
- sample
- matrix
- coring
- hash codes
- 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 33
- 238000012549 training Methods 0.000 claims abstract description 94
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 47
- 238000002372 labelling Methods 0.000 claims description 11
- 230000017105 transposition Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于快速监督离散哈希的人脸检索方法,该方法首先将每个样本通过高斯核映射到核空间,求解针对核化后的样本的投影矩阵;将每个训练样本的类别标记映射到其对应的哈希码,然后通过最小二乘法求解对应的投影矩阵;通过解析法直接求解哈希码。本发明提高了在人脸检索应用中的精度和速度,在保证高精度的同时,相比现有的哈希方法的运算复杂度大大降低,更加适应于大规模数据的处理。本发明更具有通用性,可用于信息安全,公共安全,金融安全的防护和监督。
Description
技术领域
本发明涉及机器学习、模式识别和数字图像处理等技术领域,特别是涉及一种基于快速监督离散哈希的人脸检索方法。
背景技术
人脸检索和识别是被人们所接受的非接触和非侵犯的识别手段,是计算机视觉,模式识别和图像处理领域一个很热门的研究问题,备受研究者们的广泛关注。人脸检索技术的目的是输入计算机一个图像,让计算机输出与其相似的众多图像。人脸检索作为一个科学问题,是一个典型的图像理解,模式分类的计算机问题。它涉及机器学习、模式识别、运筹学、数字图像处理和计算机视觉等众多学科。作为生物特征识别关键技术之一的人脸检索技术在信息安全、公共安全和金融等领域具有广阔的应用前景和巨大的研究价值。
人脸被普遍认为是在生物特征识别领域中最具有研究价值的物体。这主要原因在于人脸的“公开性”和“社会性”,“公开性”是指拍摄人脸图像一般不会被认为是侵犯他人隐私;而“社会性”是指人脸在人类视觉系统中具有显著的识别能力,日常生活中人们主要依靠人脸来判断他人的真实身份,人脸可以看成是人们进行社会交往的主要ID,可以被他人所记忆。此外,人脸还可被用于推断一个人的“年龄”、“性别”、“美丑”、“种族”和“胖瘦”等信息,并可被视频监控设备主动采集,这对于公共安全的相关应用是非常重要的。因此,人脸检索和识别等技术的市场前景非常广阔。
哈希方法是一种实现高效人脸检索的机器学习方法,因为将人脸转化成二值哈希码,通过汉明距离就能快速比较两个图像的相似度,相对欧氏距离,计算效率很高。对哈希码添加整数约束,是一个混合的整数优化问题,一般来说,是一个NP难问题。为了简化在哈希码学习过程中的优化问题,大多数哈希方法首先抛弃离散约束,解决一个放松的问题,然后再通过门限法将实数值转化成哈希码。这个放松的策略极大地简化了原始的离散优化问题。然而,这样一个放松的策略显然是次优的,通常是低质量的。在学习比较长的哈希码的时候,可能是因为聚集的量化错误,得到的哈希码不是很有效。大多数哈希方法没有考虑在哈希学习中离散优化的重要性。为此,Fumin Shen等在2015年提出一个名为“监督离散哈希”(supervised discrete hashing,简称SDH)的检索方法,该方法没有采用放松的策略,直接学习哈希码。
如今,随着大数据时代的来临,需处理的人脸数据规模往往非常大,算法的高效性愈发重要,例如及时的通过人脸检索来识别罪犯对公共安全和社会治安起着至关重要的作用。而“监督离散哈希”,时间复杂度较高,并不十分适用于大规模人脸数据的处理。因此,针对实际环境下处理大规模人脸数据的需求,如何快速高效地实现哈希学习,是目前面临的技术难题。
发明内容
本发明的目的在于克服上述已有技术的不足而提供一种基于快速监督离散哈希的人脸检索方法,其可以提高算法的执行效率,从而提高人脸检索方法的效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于快速监督离散哈希的人脸检索方法,包括以下步骤:
步骤S1,训练样本表示为其中n是训练样本的个数,d是训练样本的维数,xi代表第i个训练样本;
测试样本表示为其中m是测试样本的个数,tj代表第j个测试样本;
将训练样本和测试样本进行归一化,然后通过高斯非线性核映射至核空间得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T);
随机生成训练样本的初始哈希码其中l是哈希码的长度;
训练样本的标号矩阵表示为c是类别数,如果xi属于第k类,则yik=1,否则为零,yik是yi的第k个元素;
步骤S2,利用哈希码B以及训练样本的核化表达矩阵φ(X),计算核化训练样本的投影矩阵P=(φ(X)Tφ(X))-1φ(X)TB,φ(X)T为φ(X)的转置;
步骤S3,利用训练样本的标号矩阵Y以及哈希码B,计算训练样本的哈希码的投影矩阵W=(YTY+λI)-1YTB,,其中,λ是一个正则化因子,取值为1;YT是Y的转置;
步骤S4,利用训练样本的标号矩阵Y、核化训练样本的投影矩阵P以及步骤S3得到的训练样本的哈希码的投影矩阵W,计算训练样本的哈希码B=sgn(YW+νF(X)),其中F(X)=φ(X)P,v=1e-5;ν是一个正则化因子;
步骤S2-S4反复迭代进行直至最大迭代次数或者算法收敛;
步骤S5,根据核化训练样本的投影矩阵P输出训练样本的哈希码;
B=sgn(F(X)),其中F(X)=φ(X)P,
根据核化训练样本的投影矩阵P输出测试样本的哈希码;
sgn(F(T))=sgn(φ(T)P),
步骤S6,根据步骤S5输出的训练样本和测试样本的哈希码进行人脸检索。
所述将所有训练样本和测试样本进行归一化是分别除以对应的模长,得到单位向量作为新的特征点,其步骤为:
将训练样本x归一化的输出为x/||x||2,将测试样本t归一化的输出为t/||t||2。
将训练样本和测试样本通过高斯非线性核映射至核空间,得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T)的步骤如下:
将任意一个训练样本x映射至核空间的步骤为:φ(x)=[exp(||x-a1||2/σ),…,exp(||x-am||2/σ)],其中,是从训练样本X中随机挑选的m个样本,σ是高斯核参数;对所有训练样本,都采取本操作得到φ(X);
对所有测试样本,都采取相同操作得到φ(T)。
所述算法收敛的判断依据是:
norm(B-φ(X)P)<tol×norm(B,'fro'),tol=1e-5,如果该条件得到满足,则步骤S2-S4不再迭代进行,执行步骤S5。
与现有方法相比,本发明基于快速监督离散哈希的人脸检索方法(Fastsupervised discrete hashing,简称FSDH),由于采用了将训练样本的标号矩阵回归到其对应哈希码,因此在计算针对哈希码的投影矩阵和计算哈希码时,计算效率都得到大大的提升,本发明的人脸图像的检索方法,不仅可以用于人脸检索,也能应用到其他一般的图像检索问题中,可用于信息安全,公共安全,金融安全的防护和监督。
附图说明
图1是基于快速监督离散哈希的人脸检索方法的系统流程图;
图2所示为FRGC数据库中的人脸图片样本。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,下面,结合实例对本发明的实质性特点和优势作进一步的说明,但本发明并不局限于所列的实施例。
参见图1所示,一种基于快速监督离散哈希的人脸检索方法,包括以下步骤:
步骤S1,训练样本表示为其中n是训练样本的个数,d是训练样本的维数,xi代表第i个训练样本;R是实数集合;
测试样本表示为其中m是测试样本的个数,tj代表第j个测试样本;
将训练样本和测试样本进行归一化,然后通过高斯非线性核映射至核空间得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T);
初始化变量,包括随机生成训练样本的初始哈希码其中l是哈希码的长度;
训练样本的标号矩阵表示为c是类别数,如果xi属于第k类,则yik=1,否则为零,yik是yi的第k个元素;
步骤S2,利用哈希码B以及训练样本的核化表达矩阵φ(X),计算核化训练样本的投影矩阵P=(φ(X)Tφ(X))-1φ(X)TB,φ(X)T为φ(X)的转置;
步骤S3,利用训练样本的标号矩阵Y以及哈希码B,计算训练样本的哈希码的投影矩阵W=(YTY+λI)-1YTB,,其中,λ是一个正则化因子,取值为1;YT是Y的转置;
步骤S4,利用训练样本的标号矩阵Y、核化训练样本的投影矩阵P以及步骤S3得到的训练样本的哈希码的投影矩阵W,计算训练样本的哈希码B=sgn(YW+νF(X)),其中F(X)=φ(X)P,v=1e-5;ν是一个正则化因子;
步骤S2-S4反复迭代进行直至最大迭代次数或者算法收敛;
步骤S5,根据核化训练样本的投影矩阵P输出训练样本的哈希码;
B=sgn(F(X)),其中F(X)=φ(X)P,
根据核化训练样本的投影矩阵P输出测试样本的哈希码;
sgn(F(T))=sgn(φ(T)P),
步骤S6,根据步骤S5输出的训练样本和测试样本的哈希码进行人脸检索。
进行人脸检索的方法是,根据得到的哈希码,以采用最近邻分类器为例,计算出测试样本和所有训练样本的哈希码的汉明距离,按照距离从小到大排序,从而实现检索。
需要说明的是,本发明的哈希码计算出来,除可以有于人脸检索外,还可以用于分类、识别等。
所述将所有训练样本和测试样本进行归一化是分别除以对应的模长,得到单位向量作为新的特征点,其步骤为:
将训练样本x归一化的输出为x/||x||2,将测试样本t归一化的输出为t/||t||2。
将训练样本和测试样本通过高斯非线性核映射至核空间,得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T)的步骤如下:
将任意一个训练样本x映射至核空间的步骤为:φ(x)=[exp(||x-a1||2/σ),…,exp(||x-am||2/σ)],其中,是从训练样本X中随机挑选的m个样本,σ是高斯核参数;对所有训练样本都采取本操作得到φ(X);
对所有测试样本,都采取相同操作得到φ(T)。
其中,所述算法收敛的判断依据是:
norm(B-φ(X)P)<tol×norm(B,'fro'),tol=1e-5,如果该条件得到满足,则步骤S2-S4不再迭代进行,执行步骤S5。
为了详细说明本发明以及验证本发明的有效性,下面将本发明提出的方法应用到一个公开的人脸数据库——FRGC人脸数据库,并参照附图,对本发明进行详细说明。但所描述的实施例子仅旨在便于对本发明的理解,而不限于下述的实例。
步骤S1、输入的样本是FRGC数据库中的人脸图片样本,如图2所示,该数据库由3160张正面人脸组成,总共有316个类别,其中每一张图片的尺寸均为64×64,且均根据两眼的位置经过标准化处理。
为了降低计算量,把原始64×64的人脸图像降采样到32×32大小,并将降采样的图像拉成一个维度为1024的列向量作为输入特征。随机选择七个样本作为训练,其余的三个作为测试。
训练样本表示为其中n是训练样本的个数,d是训练样本的维数,本例中n=2212,d=1024,行向量xi代表第i个训练样本。
测试样本表示为其中m是测试样本的个数,本例中m=948,d是测试样本的维数,行向量tj代表第j个测试样本。
令所有训练样本和测试样本进行归一化,是分别都除以其模长,得到的单位向量作为新的特征点以利于后续步骤。其步骤为:
将训练样本x归一化的输出为x/||x||2,将测试样本t归一化的输出为t/||t||2
将归一化以后的训练样本和测试样本通过高斯非线性核映射至核空间,具体的将任意一个训练样本x映射至核空间的步骤为:φ(x)=[exp(||x-a1||2/σ),…,exp(||x-am||2/σ)],φ(x)是一个m维行向量,是对样本x核映射的结果。是从训练样本中随机挑选的m个样本,σ是高斯核参数,在本例中,固定高斯核参数为0.4。针对所有训练样本,都采取这个操作得到φ(X),同样针对所有测试样本,都采取这个操作得到φ(T)。
随机生成哈希码其中n是训练样本的个数,l是哈希码的长度,本例中l=32。训练样本的标号矩阵是c是类别数,本例中c=316。如果xi属于第k类,则yik=1否则为零,其中yik是yi的第k个元素。λ=1,v=1e-5,tol=1e-5。
步骤S2、计算针对核化训练样本的投影矩阵P=(φ(X)Tφ(X))-1φ(X)TB。
步骤S3、计算针对哈希码的投影矩阵W=(YTY+λI)-1YTB。
步骤S4、计算哈希码B=sgn(YW+νF(X))。其中F(X)=φ(X)P。
步骤S2、S3和S4是反复迭代进行的,最大迭代次数是5,反复迭代直至最大迭代次数或者算法收敛。
其中,该算法收敛的判断依据是:
norm(B-φ(X)P)<tol×norm(B,'fro')
如果该条件得到满足,则步骤S2、S3和S4不再迭代进行,执行步骤S5。
步骤S5、输出训练样本的哈希码:
B=sgn(F(X))
输出测试样本的哈希码:
sgn(F(T))=sgn(φ(T)P)
步骤S6、根据训练样本和测试样本的哈希码进行人脸检索。
实验结果如表1所示,表1是本发明在FRGC人脸数据数据库上在检索准确率等指标上与其他方法的对比,(当前的哈希码长度是32):
从表1可以看出,本发明方法在实验中,在所有指标,如召回率(recall)、f-度量(f-measure)、准确率(accuracy)都比现有方法要好,在精确率(precision)这个指标上两者效果一样好。由此看出,本发明提出的方法要优于现有方法。
以上所述的具体实施例,对本发明的技术方案、目的和有效效果进行了进一步详细说明,所应理解的是,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,凡在本发明的原则和精神之内,所做的任何修改、等同改进、替换等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于快速监督离散哈希的人脸检索方法,其特征在于,包括以下步骤:
步骤S1,训练样本表示为其中n是训练样本的个数,d是训练样本的维数,xi代表第i个训练样本;
测试样本表示为其中m是测试样本的个数,tj代表第j个测试样本;
将训练样本和测试样本进行归一化,然后通过高斯非线性核映射至核空间得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T);
随机生成训练样本的初始哈希码其中l是哈希码的长度;
训练样本的标号矩阵表示为c是类别数,如果xi属于第k类,则yik=1,否则为零,yik是yi的第k个元素;
步骤S2,利用哈希码B以及训练样本的核化表达矩阵φ(X),计算核化训练样本的投影矩阵P=(φ(X)Tφ(X))-1φ(X)TB,φ(X)T为φ(X)的转置;
步骤S3,利用训练样本的标号矩阵Y以及哈希码B,计算训练样本的哈希码的投影矩阵W=(YTY+λI)-1YTB,其中,λ是一个正则化因子,取值为1;YT是Y的转置;
步骤S4,利用训练样本的标号矩阵Y、核化训练样本的投影矩阵P以及步骤S3得到的训练样本的哈希码的投影矩阵W,计算训练样本的哈希码B=sgn(YW+νF(X)),其中F(X)=φ(X)P,v=1e-5;ν是一个正则化因子;
步骤S2-S4反复迭代进行直至最大迭代次数或者算法收敛;
步骤S5,根据核化训练样本的投影矩阵P输出训练样本的哈希码;
B=sgn(F(X)),其中F(X)=φ(X)P,
根据核化训练样本的投影矩阵P输出测试样本的哈希码;
sgn(F(T))=sgn(φ(T)P),
步骤S6,根据步骤S5输出的训练样本和测试样本的哈希码进行人脸检索。
2.根据权利要求1所述人脸检索方法,其特征在于,步骤S1中,所述将所有训练样本和测试样本进行归一化是分别除以对应的模长,得到单位向量作为新的特征点,其步骤为:
将训练样本x归一化的输出为x/||x||2,将测试样本t归一化的输出为t/||t||2。
3.根据权利要求1所述人脸检索方法,其特征在于,将训练样本和测试样本通过高斯非线性核映射至核空间,得到训练样本的核化表达矩阵φ(X)和测试样本的核化表达矩阵φ(T)的步骤如下:
将任意一个训练样本x映射至核空间的步骤为:φ(x)=[exp(||x-a1||2/σ),…,exp(||x-am||2/σ)],其中,是从训练样本X中随机挑选的m个样本,σ是高斯核参数;对所有训练样本,都采取本操作得到φ(X);
对所有测试样本,都采取相同操作得到φ(T)。
4.根据权利要求1所述人脸检索方法,其特征在于,所述算法收敛的判断依据是:
norm(B-φ(X)P)<tol×norm(B,'fro'),tol=1e-5,如果该条件得到满足,则步骤S2-S4不再迭代进行,执行步骤S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381769.1A CN105868743B (zh) | 2016-05-31 | 2016-05-31 | 一种基于快速监督离散哈希的人脸检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381769.1A CN105868743B (zh) | 2016-05-31 | 2016-05-31 | 一种基于快速监督离散哈希的人脸检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868743A CN105868743A (zh) | 2016-08-17 |
CN105868743B true CN105868743B (zh) | 2018-11-27 |
Family
ID=56675569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610381769.1A Active CN105868743B (zh) | 2016-05-31 | 2016-05-31 | 一种基于快速监督离散哈希的人脸检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868743B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805157B (zh) * | 2018-04-11 | 2022-02-18 | 南京理工大学 | 基于部分随机监督离散式哈希的遥感图像分类方法 |
CN110110128B (zh) * | 2019-05-06 | 2023-04-07 | 西南大学 | 用于分布式架构的快速监督离散哈希图像检索系统 |
CN113469695B (zh) * | 2020-03-30 | 2023-06-30 | 同济大学 | 基于核监督哈希模型的电子欺诈交易识别方法、系统、装置 |
CN114596456B (zh) * | 2022-05-10 | 2022-07-22 | 四川大学 | 一种基于聚集哈希学习的图像集分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8583567B1 (en) * | 2010-05-07 | 2013-11-12 | Google Inc. | Semi-supervised and unsupervised generation of hash functions |
CN104462196A (zh) * | 2014-10-30 | 2015-03-25 | 南京信息工程大学 | 多特征联合哈希信息检索方法 |
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 |
-
2016
- 2016-05-31 CN CN201610381769.1A patent/CN105868743B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8583567B1 (en) * | 2010-05-07 | 2013-11-12 | Google Inc. | Semi-supervised and unsupervised generation of hash functions |
CN104462196A (zh) * | 2014-10-30 | 2015-03-25 | 南京信息工程大学 | 多特征联合哈希信息检索方法 |
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 |
---|
Supervised Discrete Hashing;Fumin Shen et al.;《2015 IEEE Conference on Computer Vision and Pattern Recognition》;20151015;37-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN105868743A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Rethinking feature discrimination and polymerization for large-scale recognition | |
Wang et al. | Joint learning of visual attributes, object classes and visual saliency | |
CN106503687A (zh) | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 | |
CN108898620A (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
CN109299342A (zh) | 一种基于循环生成式对抗网络的跨模态检索方法 | |
Kozerawski et al. | Clear: Cumulative learning for one-shot one-class image recognition | |
CN105138998B (zh) | 基于视角自适应子空间学习算法的行人重识别方法及系统 | |
CN105868743B (zh) | 一种基于快速监督离散哈希的人脸检索方法 | |
CN105389326B (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
Lin et al. | Face gender recognition based on face recognition feature vectors | |
CN111046732A (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
CN105095867A (zh) | 基于深度学习的快速动态人脸提取、识别方法 | |
CN111126464A (zh) | 一种基于无监督域对抗领域适应的图像分类方法 | |
Yu et al. | Exemplar-based recursive instance segmentation with application to plant image analysis | |
CN106095811B (zh) | 一种基于最优编码的监督离散哈希的图像检索方法 | |
Liang et al. | SC2Net: Scale-aware crowd counting network with pyramid dilated convolution | |
Guo et al. | Palmprint Recognition Based on Local Fisher Discriminant Analysis. | |
CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
Di et al. | Deep learning for tattoo recognition | |
Cui et al. | Eye detection with faster R-CNN | |
Li et al. | Fingertip blood collection point localization research based on infrared finger vein image segmentation | |
Dong et al. | Kinship classification based on discriminative facial patches | |
Hannan et al. | Analysis of Detection and Recognition of Human Face Using Support Vector Machine | |
Saravanan et al. | Using machine learning principles, the classification method for face spoof detection in artificial neural networks | |
Lan et al. | An affine invariant discriminate analysis with canonical correlation analysis |
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 | ||
CP03 | Change of name, title or address |
Address after: 300457 unit 1001, block 1, msd-g1, TEDA, No.57, 2nd Street, Binhai New Area Economic and Technological Development Zone, Tianjin Patentee after: Tianjin Zhongke intelligent identification Co.,Ltd. Address before: Unit 300465 TEDA MSD-G1-1001, 57 Second Avenue, Tianjin Economic and Technological Development Zone, Binhai New Area, Tianjin Patentee before: TIANJIN ZHONGKE INTELLIGENT IDENTIFICATION INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
CP03 | Change of name, title or address |