CN105989094A - 基于隐层语义中层表达的图像检索方法 - Google Patents
基于隐层语义中层表达的图像检索方法 Download PDFInfo
- Publication number
- CN105989094A CN105989094A CN201510076112.XA CN201510076112A CN105989094A CN 105989094 A CN105989094 A CN 105989094A CN 201510076112 A CN201510076112 A CN 201510076112A CN 105989094 A CN105989094 A CN 105989094A
- Authority
- CN
- China
- Prior art keywords
- vector
- query
- collection
- vlad
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 239000013604 expression vector Substances 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 15
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002671 adjuvant Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于隐层语义中层表达的图像检索方法,主要解决现有方法检索精度不高无法进行细粒度检索工作的问题。其实现步骤是:(1)对图像库中的图像划分训练样本集和测试样本集;(2)生成用于训练中层表达模型的训练向量集;(3)选取输入向量集使用基于隐层语义的中层表达方法训练生成映射矩阵M;(4)生成查询向量;(5)计算检索精度与响应用户查询。本发明与现有方法相比,学习了图片直接表达向量之间的隐层语义模型,在图片表达和其标记之间建立了良好的映射模型,因此获得了更好的系统检索精度。以医学图像应用为例,可以用于大规模图像数据的检索管理和医学临床诊断的辅助系统。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种图像检索技术,以医学图像的应用为例,可以用于大规模图像数据的检索管理和医学临床诊断的辅助系统。
背景技术
医学图像是现代医学临床诊断中一种有效的辅助诊断工具。随着医学照影技术的不断发展和广泛应用,被用于辅助临床诊断的医学图像呈爆炸式增长。这使得应用于大规模图像数据的管理工具被迫切需求。传统的图像检索系统主要利用现在已经非常成熟的文本检索技术,通过检索事先对图片做好的标记实现对图像的检索。但这种方法过分地依赖于人工对图片的标记,当人工的经验标记出现错误,或标记格式出现问题时,该类型的图像检索系统性能会大幅的下降。同时,现代医学临床诊断在解读医学图像时,也不再单一依靠诊断者的经验,更多的时候还需要参考数据库中的已有病例。因此,为了进一步辅助临床诊断,医学图像检索系统应该能返回与图像语义最相关的目标,而不仅仅是选出人工划分的疾病类型。而这些都是传统的基于文本的图像检索系统无法实现的。
为了解决上述问题,近年来基于图像内容的图像检索技术被广泛研究。该类系统不同于基于文本的图像检索系统,其不再依赖于查找人工标记返回目标图片,而是通过计算机视觉对图像的理解实现以图搜图,从而返回与查询请求内容最相关的图片。
随着计算视觉技术的发展,基于图像内容的图像检索系统性能也在不断提高。早期,随着最初用于文本检索检索BoVW(Bag-of-Visual-Word)模型被引入图像分类与检索的领域,多种可应用于图像检索的图片表达方法基于该模型框架被提出,经典方法如“Jégou,H.,Perronnin,F.,Douze,M.,Sánchez,J.,Pérez,P.,&Schmid,C.Aggregating local image descriptors into compact codes.IEEE Trans,Pattern Analysis and Machine Intelligence,34(9),1704-1716,2012.”中介绍的Fisher Vector和VLAD(Vector of Locally AggregatedDescriptors)等。该类方法致力于将图片的底层局部特征聚合表示为与图片语义相关的空间向量,最后通过对向量的距离比较,可以实现系统的检索排序。但基于该类方法的检索系统性能很大程度上依赖于从图像提取的底层特征性质,使其无法很好地应用于高精度和细粒度的图像检索工作。随后,子空间映射模型被广泛研究,并被应用到图片向量的比较排序中。在“Yang,L.,Jin,R.,Mummert,L.,Sukthankar,R.,Goode,A.,Zheng,B.,...&Satyanarayanan,M.A boosting frameworkfor visuality-preserving distance metric learning and its application tomedical image retrieval.IEEE Trans,Pattern Analysis and MachineIntelligence,32(1),30-44,2010.”和“Simonyan,K.,Vedaldi,A.,&Zisserman,A.Learning local feature descriptors using convexoptimisation.IEEE Trans,Pattern Analysis and MachineIntelligence,2(4),2014.”中分别列举了用图片表达的距离度量学习和局部特征空间映射两种方法来改进检索系统中对查询图片向量的排序性能。通常使用该类方法的系统能较直接应用图片表达向量的系统在精度上有所提升,但有时该类方法无法很好地解释特征映射子空间与语义相关度的关系。
发明内容
本发明的目的在于针对上述现有方法的不足,提出一种基于隐层语义中层表达的图像检索方法,通过矩阵分解提取数据库图像的隐层语义从而实现图片表达空间到图片标记空间更好的映射,以提高基于内容的医学图像检索系统的检索精度,并实现大规模医学图像数据的有效管理和临床疾病诊断的有效辅助。
本发明的具体技术方案包括如下步骤:
一种基于隐层语义中层表达的图像检索方法,其特征在于,包括以下步骤:
1)从医学图像数据库划分训练样本集和测试样本集;
1.1)在训练医学图像数据库的每个类别中选取等量的样本作为训练样本集;所述训练医学图像数据库是带分类标签的医学图像数据;
1.2)将测试医学图像数据库和全部的训练医学图像数据库作为测试样本集;
2)生成训练样本集对应的VLAD向量集以及训练样本集对应的标记向量集;
2.1)选取全部的训练样本集,利用VLAD方法将训练样本集中的每幅图像表示为VLAD向量,生成训练样本集的对应VLAD向量集Xtrain;
2.2)将训练样本集中的每幅图像对应的标记制作成标记向量,
生成训练样本集对应的标记向量集Ytrain;所述标记向量集为图片对应的标记二值列向量,若图片属于步骤1.1)中的所述类别,则标记该图片,否则不标记;
3)生成映射矩阵M;
3.1)选取步骤2)生成的VLAD向量集Xtrain和标记向量集Ytrain作为训练模型的输入集;
3.2)使用基于隐层语义的中层表达式建立VLAD向量集Xtrain和标记向量集Ytrain之间的映射模型,生成映射矩阵M;具体如下:
将VLAD向量集Xtrain和标记向量集Ytrain带入以下目标式中的X和Y:
其中,α,β1,β2,β3,β4为权重参数;W为标记映射矩阵;θ为中层表达映射矩阵;U,V为矩阵分解乘子;
通过优化求解上式,可以得到映射矩阵M:
M=Wθ;
4)生成测试样本查询向量集;
4.1)选取测试样本集,利用VLAD方法将其中每幅图片表示为VLAD向量,生成测试样本集对应的VLAD向量集Xtest;
4.2)通过映射矩阵M与VLAD向量集Xtest中各向量的乘积生成测试样本集对应的测试样本查询向量集Qtest;
5)计算检索精度与响应用户查询;
5.1)生成训练样本查询向量集并计算检索精度;
5.1.1)从训练样本集的每个类别中随机选取等量共N幅图像作为查询集,利用VLAD方法将查询集中每幅图像表示为VLAD向量,生成查询集对应的VLAD向量集Xquery;
5.1.2)通过映射矩阵M与VLAD向量集Xquery中各向量的乘积生成查询集对应的训练样本查询向量集Qquery;
5.1.3)通过比较训练样本查询向量集Qquery中的每个查询向量与测试样本查询向量集Qtest中每个查询向量的距离并排序,生成训练样本查询向量集Qquery对应的排序集R;
5.1.4)计算排序集R各个排序向量对应的排序精度并生成排序集对应的精度向量AP,得出系统的平均精度性能指标mAP;
mAP=(∑AP)/N。
其中,N为步骤5.1.1)中从训练样本集的各类别中随机抽取的等量共N幅图像;
5.2)生成用户查询向量集并返回检索排序
5.2.1)选取用户查询图像,利用VLAD方法将查询图像表示为用户查询VLAD向量,生成用户查询图像对应的用户查询VLAD向量Xuser;
5.2.2)通过映射矩阵M与用户查询VLAD向量Xuser相乘生成用户查询VLAD向量对应的用户查询向量Quser;
5.2.3)通过比较用户查询向量Qquery与测试样本查询向量集Qtest中每个向量的距离并排序,生成训练样本查询向量集Qquery对应的排序Ruser,通过排序序号返回用户所需的查询图片作为输出以实现检索功能。
上述的VLAD方法,其包括以下步骤:
A、图片的局部描述特征提取;对需表达的图片提取D维度的SIFT特征;
B、通过最近邻查找将图片的SIFT特征映射到有K个词汇的字典上,生成每个词汇对应的SIFT特征集Wi;字典通过事先在训练样本集对应的SIFT集上聚类得到,聚类方法采用k-means算法;
C、将图片中完成映射的词汇按其所属词汇求和,并按照词汇顺序拼接,生成图片VLAD表达向量V如下所示:
V=[∑W1,∑W2,......,∑WK]
其中,[.]表示向量拼接运算;
由此便得到K×D维的图片VLAD表达向量V。
本发明的优点在于:
本发明由于提取了医学图像数据库的隐层语义,使得图片表达能够更好地映射到图片标记空间,映射模型具有良好的鲁棒性,能较好地对类内目标和类间目标进行建模,通过使用映射后的空间向量进行查询,能够在很大程度上提高检索系统的检索精度。
附图说明
图1为本发明基于隐层语义中层表达的图像检索的流程图;
具体实施方式
本发明提供了一种基于隐层语义中层表达的图像检索方法以下面结合附图,对本发明实现的步骤作进一步的详细描述:
参照图1,本发明实现的步骤如下:
步骤1,从医学图像数据库划分训练样本集和测试样本集。
步骤1.1)在训练医学图像数据库的每个类别中选取等量的样本作为训练样本集;其中,训练医学图像数据库是带分类标签的医学图像数据;
步骤1.2)将测试医学图像数据库和全部的训练医学图像数据库作为测试样本集;
步骤2,生成用于训练中层表达模型的训练向量集。
步骤2.1)选取全部的训练集,利用VLAD(Vector of LocallyAggregated Descriptors)请给出方法将其中的每一幅图片表示为VLAD向量,生成训练样本集的对应VLAD向量集Xtrain。
上所述的VLAD方法是一种成熟的现有技术,其包括图片的局部描述特征提取、局部特征的聚类、局部特征的中心最近邻映射、图片词汇的聚合表达,其步骤如下:
步骤2.1)图片的局部描述特征提取;对需表达的图片提取D维度的SIFT特征(特征的中文为:尺度不变特征变换;特征的提取方法由文献提供: Lowe, David G. "Object recognition from localscale-invariant features."Computer vision. The proceedings of the seventhIEEE international conference on. Vol. 2. IEEE, 1999.)
步骤2.2)通过最近邻查找将图片的SIFT特征映射到有K个词汇的字典上,生成每个词汇对应的SIFT特征集Wi;字典通过事先在训练样本集对应的SIFT集上聚类得到,聚类方法采用k-means算法;
步骤2.3)将图片中完成映射的词汇按其所属词汇求和,并按照词汇顺序拼接,生成图片VLAD表达向量V如下所示:
V=[∑W1,∑W2,......,∑WK]
其中,[.]表示向量拼接运算;
由此便得到K×D维的图片VLAD表达向量V。
步骤2.2)将训练集中的每幅图像对应的标记制作成标记向量,生成训练样本集对应的标记向量集Ytrain,标记向量集为图片对应的标记列向量,若图片属于步骤1.1)中的类别,则标记该图片,否则不标记;
步骤3,选取输入向量集训练生成映射矩阵M。
步骤3)生成映射矩阵M;
步骤3.1)选取步骤2)生成的VLAD向量集Xtrain和标记向量集Ytrain作为训练模型的输入集;
步骤3.2)使用基于隐层语义的中层表达式建立VLAD向量集Xtrain和标记向量集Ytrain之间的映射模型,生成映射矩阵M;具体如下:
将VLAD向量集Xtrain和标记向量集Ytrain带入以下目标式中的X和Y:
其中,α,β1,β2,β3,β4为权重参数;W为标记映射矩阵;θ为中层表达映射矩阵;U,V为矩阵分解乘子;
通过优化求解上式,可以得到映射矩阵M如下:
M=Wθ;
步骤4,生成测试样本查询向量集;
步骤4.1)选取测试样本集,利用VLAD方法将其中每幅图片表示为VLAD向量,生成测试样本集对应的VLAD向量集Xtest;
步骤4.2)通过映射矩阵M与VLAD向量集Xtest中各向量的乘积生成测试样本集对应的测试样本查询向量集Qtest;
步骤5,计算检索精度与响应用户查询。
步骤5.1)生成训练样本查询向量集并计算精度
步骤5.1.1)从训练样本集的每个类别中随机选取等量共N幅图像作为查询集,利用VLAD方法将查询集中每幅图像表示为VLAD向量,生成查询集对应的VLAD向量集Xquery;
步骤5.1.2)通过映射矩阵M与VLAD向量集Xquery中各向量的乘积生成查询集对应的训练样本查询向量集Qquery;
步骤5.1.3)通过比较训练样本查询向量集Qquery中的每个查询向量与测试样本查询向量集Qtest中每个向量的距离并排序,生成训练样本查询向量集Qquery对应的排序集R;
步骤5.1.4)计算排序集R各个排序向量对应的排序精度并生成排序集对应的精度向量AP,得出系统的平均精度性能指标mAP,
mAP=(∑AP)/N。
其中,N为步骤5.1.1中从训练样本集的各类别中随机抽取的等量共N幅图像。
步骤5.2)生成用户查询向量集并返回检索排序
步骤5.2.1)选取用户查询图像,利用VLAD方法将查询图像表示为用户查询VLAD向量,生成用户查询图像对应的用户查询VLAD向量Xuser;
步骤5.2.2)通过映射矩阵M与用户查询VLAD向量Xuser相乘生成用户查询VLAD向量对应的用户查询向量Quser;
步骤5.2.3)通过比较用户查询向量Qquery与测试样本查询向量集Qtest中每个向量的距离并排序,生成训练样本查询向量集Qquery对应的排序Ruser,通过排序序号返回用户所需的查询图片作为输出以实现检索功能。
为了了更好证明本发明的技术方案的系统检索精度高,是申请人就本发明的技术方案与现有技术的技术方案进行的对比验证;
对比验证:
从医学图像数据库中的20个人体X光分类中,每类随机选取10张图片作为查询请求。
本发明:利用本发明的方法计算全部查询的mAP作为检索系统的评价指标。
现有技术:采用传统的直接使用VLAD向量作为查询向量的检索方法计算查询的mAP作为检索系统的评价指标。
表1表示直接使用VLAD向量的检索方法与本发明检索方法最终检索的结果:
表1 系统检索精度
从表1可见,试验1的本发明的平均检索精度(mAP)较试验2的直接使用VLAD向量的方法提高64.34%。这是因为本发明学习了图片直接表达向量之间的隐层语义模型,在图片表达和其标记之间建立了良好的映射模型,因此获得了更好的系统检索精度,进一步验证了本发明的先进性。
注:本发明是在中央处理器为Intel(R)Core(TM)i3-21303.40GHZ、内存16G、WINDOWS 7操作系统上,运用MATLAB软件进行的仿真。
实施例中使用的医学图像数据库为文献“Xia H,Hoi S,Jin R,PZhao.Online Multiple Kernel Similarity Learning for Visual Search.IEEE Trans,Pattern Analysis and Machine Intelligence,2012.”中公开的从ImageCLEF中获取的X光数据库。
Claims (2)
1.一种基于隐层语义中层表达的图像检索方法,其特征在于,包括以下步骤:
1)从医学图像数据库划分训练样本集和测试样本集;
1.1)在训练医学图像数据库的每个类别中选取等量的样本作为训练样本集;所述训练医学图像数据库是带分类标签的医学图像数据;
1.2)将测试医学图像数据库和全部的训练医学图像数据库作为测试样本集;
2)生成训练样本集对应的VLAD向量集以及训练样本集对应的标记向量集;
2.1)选取全部的训练样本集,利用VLAD方法将训练样本集中的每幅图像表示为VLAD向量,生成训练样本集的对应VLAD向量集Xtrain;
2.2)将训练样本集中的每幅图像对应的标记制作成标记向量,生成训练样本集对应的标记向量集Ytrain;所述标记向量集为图片对应的标记二值列向量,若图片属于步骤1.1)中的所述类别,则标记该图片,否则不标记;
3)生成映射矩阵M;
3.1)选取步骤2)生成的VLAD向量集Xtrain和标记向量集Ytrain作为训练模型的输入集;
3.2)使用基于隐层语义的中层表达式建立VLAD向量集Xtrain和标记向量集Ytrain之间的映射模型,生成映射矩阵M;具体如下:
将VLAD向量集Xtrain和标记向量集Ytrain带入以下目标式中的X和Y:
其中,α,β1,β2,β3,β4为权重参数;W为标记映射矩阵;θ为中层表达映射矩阵;U,V为矩阵分解乘子;
通过优化求解上式,可以得到映射矩阵M:
M=Wθ;
4)生成测试样本查询向量集;
4.1)选取测试样本集,利用VLAD方法将其中每幅图片表示为VLAD向量,生成测试样本集对应的VLAD向量集Xteset;
4.2)通过映射矩阵M与VLAD向量集Xtest中各向量的乘积生成测试样本集对应的测试样本查询向量集Qtest;
5)计算检索精度与响应用户查询;
5.1)生成训练样本查询向量集并计算检索精度;
5.1.1)从训练样本集的每个类别中随机选取等量共N幅图像作为查询集,利用VLAD方法将查询集中每幅图像表示为VLAD向量,生成查询集对应的VLAD向量集Xquery;
5.1.2)通过映射矩阵M与VLAD向量集Xquery中各向量的乘积生成查询集对应的训练样本查询向量集Qquery;
5.1.3)通过比较训练样本查询向量集Qquery中的每个查询向量与测试样本查询向量集Qtest中每个查询向量的距离并排序,生成训练样本查询向量集Qquery对应的排序集R;
5.1.4)计算排序集R各个排序向量对应的排序精度并生成排序集对应的精度向量AP,得出系统的平均精度性能指标mAP;
mAP=(ΣAP)/N;
其中,N为步骤5.1.1)中从训练样本集的各类别中随机抽取的等量共N幅图像;
5.2)生成用户查询向量集并返回检索排序;
5.2.1)选取用户查询图像,利用VLAD方法将查询图像表示为用户查询VLAD向量,生成用户查询图像对应的用户查询VLAD向量Xuser;
5.2.2)通过映射矩阵M与用户查询VLAD向量Xuser相乘生成用户查询VLAD向量对应的用户查询向量Quser;
5.2.3)通过比较用户查询向量Qquery与测试样本查询向量集Qtest中每个向量的距离并排序,生成训练样本查询向量集Qquery对应的排序Ruser,通过排序序号返回用户所需的查询图片作为输出以实现检索功能。
2.根据权利要求1所述的基于隐层语义中层表达的图像检索方法,其特征在于:所述的VLAD方法,其包括以下步骤:
A、图片的局部描述特征提取;对需表达的图片提取D维度的SIFT特征;
B、通过最近邻查找将图片的SIFT特征映射到有K个词汇的字典上,生成每个词汇对应的SIFT特征集Wi;字典通过事先在训练样本集对应的SIFT集上聚类得到,聚类方法采用k-means算法;
C、将图片中完成映射的词汇按其所属词汇求和,并按照词汇顺序拼接,生成图片VLAD表达向量V如下所示:
V=[ΣW1,ΣW2,... ...,ΣWK]
其中,[.]表示向量拼接运算;
由此便得到K×D维的图片VLAD表达向量V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510076112.XA CN105989094B (zh) | 2015-02-12 | 2015-02-12 | 基于隐层语义中层表达的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510076112.XA CN105989094B (zh) | 2015-02-12 | 2015-02-12 | 基于隐层语义中层表达的图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105989094A true CN105989094A (zh) | 2016-10-05 |
CN105989094B CN105989094B (zh) | 2020-09-01 |
Family
ID=57041243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510076112.XA Active CN105989094B (zh) | 2015-02-12 | 2015-02-12 | 基于隐层语义中层表达的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105989094B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066520A (zh) * | 2017-02-14 | 2017-08-18 | 北京飞搜科技有限公司 | 一种基于多个语义层次的图片检索方法及系统 |
CN109241327A (zh) * | 2017-07-03 | 2019-01-18 | 北大方正集团有限公司 | 图像检索方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100202707A1 (en) * | 2004-12-29 | 2010-08-12 | Fotonation Vision Limited | Method and Component for Image Recognition |
CN103778227A (zh) * | 2014-01-23 | 2014-05-07 | 西安电子科技大学 | 从检索图像中筛选有用图像的方法 |
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
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 |
-
2015
- 2015-02-12 CN CN201510076112.XA patent/CN105989094B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100202707A1 (en) * | 2004-12-29 | 2010-08-12 | Fotonation Vision Limited | Method and Component for Image Recognition |
CN103778227A (zh) * | 2014-01-23 | 2014-05-07 | 西安电子科技大学 | 从检索图像中筛选有用图像的方法 |
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
张磊: "大规模互联网图像检索与模式挖掘", 《中国科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066520A (zh) * | 2017-02-14 | 2017-08-18 | 北京飞搜科技有限公司 | 一种基于多个语义层次的图片检索方法及系统 |
CN107066520B (zh) * | 2017-02-14 | 2021-05-18 | 苏州飞搜科技有限公司 | 一种基于多个语义层次的图片检索方法及系统 |
CN109241327A (zh) * | 2017-07-03 | 2019-01-18 | 北大方正集团有限公司 | 图像检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105989094B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298037B (zh) | 基于增强注意力机制的卷积神经网络匹配的文本识别方法 | |
Alayrac et al. | Unsupervised learning from narrated instruction videos | |
CN109344250B (zh) | 基于医保数据的单病种诊断信息快速结构化方法 | |
CN109657246B (zh) | 一种基于深度学习的抽取式机器阅读理解模型的建立方法 | |
CN106776711A (zh) | 一种基于深度学习的中文医学知识图谱构建方法 | |
CN102693299B (zh) | 一种并行视频拷贝检测系统和方法 | |
CN108399163A (zh) | 结合词聚合与词组合语义特征的文本相似性度量方法 | |
RU2760471C1 (ru) | Способы и системы идентификации полей в документе | |
CN103473327A (zh) | 图像检索方法与系统 | |
WO2014047725A1 (en) | Method and system for analysing sentiments | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN108388639B (zh) | 一种基于子空间学习与半监督正则化的跨媒体检索方法 | |
CN109213853A (zh) | 一种基于cca算法的中文社区问答跨模态检索方法 | |
CN114511452B (zh) | 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法 | |
CN108427717A (zh) | 一种基于逐步扩展的字母类语系医疗文本关系抽取方法 | |
CN110334724A (zh) | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 | |
CN109815478A (zh) | 基于卷积神经网络的药化实体识别方法及系统 | |
CN112214335A (zh) | 基于知识图谱和相似度网络的Web服务发现方法 | |
CN109325513A (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN112768080A (zh) | 基于医疗大数据的医学关键词库建立方法及系统 | |
CN111104481B (zh) | 一种识别匹配字段的方法、装置及设备 | |
CN111241326B (zh) | 基于注意力金字塔图网络的图像视觉关系指代定位方法 | |
CN116881336A (zh) | 一种用于医学大数据的高效多模态对比深度哈希检索方法 | |
CN111797267A (zh) | 一种医学图像检索方法及系统、电子设备、存储介质 | |
CN109857892B (zh) | 基于类标传递的半监督跨模态哈希检索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |