CN106126668A - 一种基于哈希重建的图像特征点匹配方法 - Google Patents
一种基于哈希重建的图像特征点匹配方法 Download PDFInfo
- Publication number
- CN106126668A CN106126668A CN201610490360.3A CN201610490360A CN106126668A CN 106126668 A CN106126668 A CN 106126668A CN 201610490360 A CN201610490360 A CN 201610490360A CN 106126668 A CN106126668 A CN 106126668A
- Authority
- CN
- China
- Prior art keywords
- hash
- point
- characteristic point
- reconstruction
- looked
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于哈希重建的图像特征点匹配方法,包括如下步骤:利用被查图像的被查特征点的特征学习哈希函数;利用哈希函数学习哈希重建矩阵;对查询特征点和被查特征点通过距离度量筛选候选特征点;对候选特征点及查询特征点进行哈希重建;对哈希重建后的候选特征点及查询特征点进行相似度对比,最后得到匹配的特征点。本发明提供的一种基于哈希重建的图像特征点匹配方法通过两步匹配的方法,提高了匹配精度;在通过哈希重建得到的重建特征进行匹配的过程中,不需存储原始特征,减少了存储及建索引的代价,从而实现了快速的特征点匹配。
Description
技术领域
本发明属于计算机多媒体技术领域,尤其涉及一种基于哈希重建的图像特征点匹配方法。
背景技术
基于图像局部特征(如SIFT特征)的图像描述方法在图像检索中得到广泛用于,为了提高检索精度,需要对特征点直接进行快速匹配,然而目前的特征点匹配方法在匹配精度和匹配速度上很难找到一个更好的平衡。现有的图像特征点匹配方法普遍存在匹配复杂度高、计算量大或者匹配精度不高的问题。
发明内容
本发明的目的之一在于提供一种基于哈希重建的图像特征点匹配方法,以解决现有图像特征点匹配方法匹配复杂度高、计算量大或者匹配精度不高的问题。
本发明的发明目的是通过下述技术方案来实现的:
一种基于哈希重建的图像特征点匹配方法,包括如下步骤:
对被查图像的被查特征点的特征学习哈希函数;
利用哈希函数学习哈希重建矩阵;
利用哈希重建矩阵筛选得到与查询特征点匹配的特征点。
进一步的,所述利用哈希重建矩阵筛选得到匹配的特征点的步骤中,具体包括如下步骤:
对查询特征点和被查特征点通过距离度量筛选候选特征点;
对候选特征点及查询特征点进行哈希重建;
对哈希重建后的候选特征点及哈希重建后的查询特征点进行相似度对比,最后得到匹配的特征点。
进一步的,一种基于哈希重建的图像特征点匹配方法具体包括如下步骤:
步骤S1:利用被查图像的被查特征点的特征学习哈希函数;
步骤S2:利用步骤S1中得到的哈希函数学习旋转矩阵和哈希重建矩阵;
步骤S3:利用步骤S2得到的旋转矩阵,得到查询特征点的哈希码和被查特征点的哈希码;
步骤S4:将步骤S3得到的查询特征点的哈希码与被查特征点的哈希码进行距离度量,将所有距离小于阈值的被查特征点作为候选特征点集合;
步骤S5:利用步骤S2得到的哈希重建矩阵,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征;
步骤S6:将步骤S5中的候选特征点集合的重建特征分别与查询特征点的重建特征进行相似度对比,并按相似度从大到小进行排序,最后得到匹配的特征点。
进一步的,在所述步骤S1:利用被查图像的被查特征点的特征学习哈希函数的步骤中,具体包括:通过哈希方法利用被查图像的局部特征点的特征学习哈希函数。
进一步的,在所述步骤S1中,通过哈希方法利用被查图像的被查特征点的特征学习哈希函数的步骤中,采用的所述哈希方法为ITQ哈希方法,具体包括如下步骤:
步骤S1.1:对被查图像的被查特征点的特征矩阵X进行PCA降维,得到PCA降维矩阵T;
步骤S1.2:利用上一步得到的PCA降维矩阵T,得到对被查特征点的特征矩阵X进行PCA降维后的特征矩阵V,V=TX;
步骤S1.3:构建哈希函数。
进一步的,所述步骤S1中构建的哈希函数为:
其中,H为哈希码矩阵,R为ITQ的旋转矩阵,U为哈希重建矩阵,X为被查特征点的特征矩阵。
进一步的,所述步骤S2:利用步骤S1中得到的哈希函数学习旋转矩阵和哈希重建矩阵的步骤,具体包括:
对步骤S1中得到的哈希函数进行迭代优化,得到旋转矩阵R和哈希重建矩阵U。
进一步的,所述步骤S3:利用步骤S2得到的旋转矩阵,得到被查特征点的哈希码和查询点的哈希码的步骤,具体包括如下步骤:
步骤S3.1:对于被查特征点的特征矩阵xi,利用步骤S1.1得到的PCA降维矩阵T进行特征降维,得到降维后的被查特征点的特征向量xi′=Txi;
步骤S3.2:利用步骤S2得到旋转矩阵R和上一步得到的降维后的被查特征点特征向量xi′,得到哈希码hi=Rxi′;
步骤S3.3:对于查询特征点的特征矩阵q,利用步骤S1.1得到的PCA降维矩阵T进行特征降维,得到降维后的查询特征点的特征向量q′=Tq;
步骤S3.4:利用步骤S2得到旋转矩阵R和上一步得到的降维后的查询特征点的特征向量q′,得到哈希码hq=Rq′。
进一步的,所述步骤S5:利用步骤S2得到的哈希重建矩阵,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征的步骤中,所述查询特征点的重建特征q″=Uhq,步骤S4筛选出的候选特征点集合的重建特征xi″=Uhi。
进一步的,所述被查特征点的特征采用SIFT特征。
本发明的有益效果:本发明提供的一种基于哈希重建的图像特征点匹配方法通过两步匹配的方法,提高了匹配精度;在通过哈希重建得到的重建特征进行匹配的过程中,不需存储原始特征,减少了存储及建索引的代价,从而实现了快速的特征点匹配。
附图说明
图1为本发明基于哈希重建的图像特征点匹配方法流程图。
具体实施方式
下文将结合具体实施方式详细描述本发明。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。
一种基于哈希重建的图像特征点匹配方法,包括如下步骤:
对被查图像的被查特征点的特征学习哈希函数;
利用哈希函数学习哈希重建矩阵;
利用哈希重建矩阵筛选得到与查询特征点匹配的特征点。
进一步的,在利用哈希重建矩阵筛选得到匹配的特征点的步骤中,具体包括如下步骤:
对查询特征点和被查特征点通过距离度量筛选候选特征点;
对候选特征点及查询特征点进行哈希重建;
对哈希重建后的候选特征点及查询特征点进行相似度对比,最后得到匹配的特征点。
如图1所示,本发明提供的一种基于哈希重建的图像特征点匹配方法具体包括如下步骤:
步骤S1:对被查图像的被查特征点的特征学习哈希函数;
步骤S2:利用步骤S1中得到的哈希函数学习旋转矩阵和哈希重建矩阵;
步骤S3:利用步骤S2得到的旋转矩阵,得到查询特征点的哈希码和被查特征点的哈希码;
步骤S4:将步骤S3得到的查询特征点的哈希码与被查特征点的哈希码进行距离度量,将所有距离小于阈值的被查特征点作为候选特征点集合;
步骤S5:利用步骤S2得到的哈希重建矩阵,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征;
步骤S6:将步骤S5中的候选特征点集合的重建特征分别与查询特征点的重建特征进行相似度对比,并按相似度从大到小进行排序,最后得到匹配的特征点。
本发明首先利用哈希码通过汉明距离快速筛选候选特征点,再对候选特征点以及查询特征点进行哈希重建,在哈希重建基础上进一步进行筛选。整个匹配过程中通过了两步筛选,提高了匹配精度。
实施例
本发明提供的一种基于哈希重建的图像特征点匹配方法具体包括如下步骤:
(1)通过迭代量化(Iterative Quantization,ITQ)哈希方法对被查图像的被查特征点的尺度不变特征转换(Scale-invariant feature transform,SIFT)特征学习哈希函数,具体包括如下步骤:
(1.1)对被查图像的被查特征点的特征矩阵X进行PCA降维,得到PCA降维矩阵T;
(1.2)利用上一步得到的PCA降维矩阵T,得到对被查特征点的特征矩阵X进行PCA降维后的特征矩阵V,V=TX;
(1.3)构建哈希函数,该哈希函数为:
其中,H为哈希码矩阵,R为ITQ的旋转矩阵,U为哈希重建矩阵,X为被查特征点的特征矩阵。
(2)对步骤(1)中得到的哈希函数进行迭代优化,学习得到旋转矩阵R和哈希重建矩阵U。
(3)利用步骤(2)得到的旋转矩阵R,得到被查特征点的哈希码和查询特征点的哈希码的步骤,具体包括如下步骤:
(3.1)对于被查特征点的特征矩阵xi,利用步骤(1.1)得到的PCA降维矩阵T进行特征降维,得到降维后的被查特征点的特征向量xi′=Txi;
(3.2)利用步骤(2)得到旋转矩阵R和上一步得到的降维后的被查特征点特征向量xi′,得到哈希码hi=Rxi′,所有被查特征点的哈希码构成被查特征点库的哈希索引。
(3.3)对于查询特征点的特征矩阵q,利用步骤(1.1)得到的PCA降维矩阵T进行特征降维,得到降维后的查询特征点的特征向量q′=Tq;
(3.4)利用步骤(2)得到旋转矩阵R和上一步得到的降维后的查询特征点的特征向量q′,得到哈希码hq=Rq′。
(4)将步骤(3)得到的查询特征点的哈希码与被查特征点的哈希码进行汉明距离度量,将所有汉明距离小于阈值的被查特征点作为候选特征点集合;
(5)利用步骤(2)得到的哈希重建矩阵U,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征的步骤中,所述查询特征点的重建特征q″=Uhq,步骤S4筛选出的候选特征点集合的重建特征xi″=Uhi。
(6)将步骤(5)中的候选特征点集合的重建特征分别与查询特征点的重建特征进行相似度对比,并按相似度从大到小进行排序,最后得到匹配的特征点。
本发明提供的一种基于哈希重建的图像特征点匹配方法中首先利用哈希码通过汉明距离快速筛选候选特征点,再对候选特征点以及查询特征点进行哈希重建,在哈希重建基础上进一步进行筛选。整个匹配过程中通过了两步筛选,提高了匹配精度。
本发明提供的一种基于哈希重建的图像特征点匹配方法在通过哈希重建得到的重建特征进行匹配的过程中,不需存储原始特征,减少了存储及建索引的代价,从而实现了快速的特征点匹配。
当然应意识到,虽然通过本发明的示例已经进行了前面的描述,但是对本发明做出的将对本领域的技术人员显而易见的这样和其他的改进及改变应认为落入如本文提出的本发明宽广范围内。因此,尽管本发明已经参照了优选的实施方式进行描述,但是,其意并不是使具新颖性的设备由此而受到限制,相反,其旨在包括符合上述公开部分、权利要求的广阔范围之内的各种改进和等同修改。
Claims (10)
1.一种基于哈希重建的图像特征点匹配方法,其特征在于,包括如下步骤:
利用被查图像的被查特征点的特征学习哈希函数;
利用哈希函数学习哈希重建矩阵;
利用哈希重建矩阵筛选得到与查询特征点匹配的特征点。
2.如权利要求1所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述利用哈希重建矩阵筛选得到匹配的特征点的步骤中,具体包括如下步骤:
对查询特征点和被查特征点通过距离度量筛选候选特征点;
对候选特征点及查询特征点进行哈希重建;
对哈希重建后的候选特征点及哈希重建后的查询特征点进行相似度对比,最后得到匹配的特征点。
3.如权利要求2所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,具体包括如下步骤:
步骤S1:利用被查图像的被查特征点的特征学习哈希函数;
步骤S2:利用步骤S1中得到的哈希函数学习旋转矩阵和哈希重建矩阵;
步骤S3:利用步骤S2得到的旋转矩阵,得到查询特征点的哈希码和被查特征点的哈希码;
步骤S4:将步骤S3得到的查询特征点的哈希码与被查特征点的哈希码进行距离度量,将所有距离小于阈值的被查特征点作为候选特征点集合;
步骤S5:利用步骤S2得到的哈希重建矩阵,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征;
步骤S6:将步骤S5中的候选特征点集合的重建特征分别与查询特征点的重建特征进行相似度对比,并按相似度从大到小进行排序,最后得到匹配的特征点。
4.如权利要求3所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,在所述步骤S1:利用被查图像的被查特征点的特征学习哈希函数的步骤中,具体包括:通过哈希方法利用被查图像的被查特征点的特征学习哈希函数。
5.如权利要求4所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,在所述步骤S1中,通过哈希方法利用被查图像的被查特征点的特征学习哈希函数的步骤中,采用的所述哈希方法为ITQ哈希方法,具体包括如下步骤:
步骤S1.1:对被查图像的被查特征点的特征矩阵X进行PCA降维,得到PCA降维矩阵T;
步骤S1.2:利用上一步得到的PCA降维矩阵T,得到对被查特征点的特征矩阵X进行PCA降维后的特征矩阵V,V=TX;
步骤S1.3:构建哈希函数。
6.如权利要求5所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述步骤S1中构建的哈希函数为:
其中,H为哈希码矩阵,R为ITQ的旋转矩阵,U为哈希重建矩阵,X为被查特征点的特征矩阵。
7.如权利要求6所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述步骤S2:利用步骤S1中得到的哈希函数学习旋转矩阵和哈希重建矩阵的步骤,具体包括:
对步骤S1中得到的哈希函数进行迭代优化,得到旋转矩阵R和哈希重建矩阵U。
8.如权利要求7所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述步骤S3:利用步骤S2得到的旋转矩阵,得到被查特征点的哈希码和查询特征点的哈希码的步骤,具体包括如下步骤:
步骤S3.1:对于被查特征点的特征矩阵xi,利用步骤S1.1得到的PCA降维矩阵T进行特征降维,得到降维后的被查特征点的特征向量xi′=Txi;
步骤S3.2:利用步骤S2得到旋转矩阵R和上一步得到的降维后的被查特征点特征向量xi′,得到哈希码hi=Rxi′;
步骤S3.3:对于查询特征点的特征矩阵q,利用步骤S1.1得到的PCA降维矩阵T进行特征降维,得到降维后的查询特征点的特征向量q′=Tq;
步骤S3.4:利用步骤S2得到旋转矩阵R和上一步得到的降维后的查询特征点的特征向量q′,得到哈希码hq=Rq′。
9.如权利要求1-8中任一项所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述步骤S5:利用步骤S2得到的哈希重建矩阵,对查询特征点及步骤S4筛选出的候选特征点集合进行哈希重建,得到查询特征点的重建特征及步骤S4筛选出的候选特征点集合的重建特征的步骤中,所述查询特征点的重建特征q″=Uhq,步骤S4筛选出的候选特征点集合的重建特征xi″=Uhi。
10.如权利要求9所述的一种基于哈希重建的图像特征点匹配方法,其特征在于,所述被查特征点的特征采用SIFT特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610490360.3A CN106126668B (zh) | 2016-06-28 | 2016-06-28 | 一种基于哈希重建的图像特征点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610490360.3A CN106126668B (zh) | 2016-06-28 | 2016-06-28 | 一种基于哈希重建的图像特征点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106126668A true CN106126668A (zh) | 2016-11-16 |
CN106126668B CN106126668B (zh) | 2019-07-19 |
Family
ID=57285005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610490360.3A Active CN106126668B (zh) | 2016-06-28 | 2016-06-28 | 一种基于哈希重建的图像特征点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106126668B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886785A (zh) * | 2017-02-20 | 2017-06-23 | 南京信息工程大学 | 一种基于多特征哈希学习的航拍图像快速匹配算法 |
CN107957865A (zh) * | 2017-11-22 | 2018-04-24 | 华中科技大学 | 一种神经元重建结果匹配方法 |
CN110555435A (zh) * | 2019-09-10 | 2019-12-10 | 深圳一块互动网络技术有限公司 | 一种点读互动实现方法 |
CN110647844A (zh) * | 2019-09-23 | 2020-01-03 | 深圳一块互动网络技术有限公司 | 一种儿童用物品拍摄识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
CN104081435A (zh) * | 2014-04-29 | 2014-10-01 | 中国科学院自动化研究所 | 一种基于级联二值编码的图像匹配方法 |
CN104820696A (zh) * | 2015-04-29 | 2015-08-05 | 山东大学 | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 |
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 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
-
2016
- 2016-06-28 CN CN201610490360.3A patent/CN106126668B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
CN104081435A (zh) * | 2014-04-29 | 2014-10-01 | 中国科学院自动化研究所 | 一种基于级联二值编码的图像匹配方法 |
CN104820696A (zh) * | 2015-04-29 | 2015-08-05 | 山东大学 | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 |
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 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886785A (zh) * | 2017-02-20 | 2017-06-23 | 南京信息工程大学 | 一种基于多特征哈希学习的航拍图像快速匹配算法 |
CN107957865A (zh) * | 2017-11-22 | 2018-04-24 | 华中科技大学 | 一种神经元重建结果匹配方法 |
CN107957865B (zh) * | 2017-11-22 | 2020-06-02 | 华中科技大学 | 一种神经元重建结果匹配方法 |
CN110555435A (zh) * | 2019-09-10 | 2019-12-10 | 深圳一块互动网络技术有限公司 | 一种点读互动实现方法 |
CN110555435B (zh) * | 2019-09-10 | 2022-06-07 | 深圳一块互动网络技术有限公司 | 一种点读互动实现方法 |
CN110647844A (zh) * | 2019-09-23 | 2020-01-03 | 深圳一块互动网络技术有限公司 | 一种儿童用物品拍摄识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106126668B (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koniusz et al. | Higher-order occurrence pooling for bags-of-words: Visual concept detection | |
CN103488713B (zh) | 一种可直接度量不同模态数据间相似性的跨模态检索方法 | |
CN110765281A (zh) | 一种多语义深度监督跨模态哈希检索方法 | |
CN106126668A (zh) | 一种基于哈希重建的图像特征点匹配方法 | |
CN106096066A (zh) | 基于随机近邻嵌入的文本聚类方法 | |
CN114241273B (zh) | 基于Transformer网络和超球空间学习的多模态图像处理方法及系统 | |
US20200104721A1 (en) | Neural network image search | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN110738146A (zh) | 一种目标重识别神经网络及其构建方法和应用 | |
CN103473307B (zh) | 跨媒体稀疏哈希索引方法 | |
CN106980648A (zh) | 一种基于概率矩阵分解结合相似度的个性化推荐方法 | |
CN103902704A (zh) | 面向大规模图像视觉特征的多维倒排索引与快速检索算法 | |
CN109472282B (zh) | 一种基于极少训练样本的深度图像哈希方法 | |
CN105631416A (zh) | 采用新型密度聚类进行人脸识别的方法 | |
CN103020321B (zh) | 近邻搜索方法与系统 | |
CN114443858A (zh) | 一种基于图神经网络的多模态知识图谱表示学习方法 | |
CN112381733B (zh) | 面向图像恢复的多尺度神经网络结构搜索方法及网络应用 | |
CN109086463B (zh) | 一种基于区域卷积神经网络的问答社区标签推荐方法 | |
Zhou et al. | Online filter clustering and pruning for efficient convnets | |
CN105631469A (zh) | 一种多层稀疏编码特征的鸟类图像识别方法 | |
CN111026887B (zh) | 一种跨媒体检索的方法及系统 | |
CN109766455A (zh) | 一种有鉴别的全相似性保留哈希跨模态检索方法 | |
CN115438169A (zh) | 一种文本与视频的互检方法、装置、设备及存储介质 | |
CN116363423A (zh) | 面向小样本学习的知识蒸馏方法、装置及存储介质 | |
CN112612948B (zh) | 一种基于深度强化学习的推荐系统构建方法 |
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 |