CN106570192A - 一种基于深度学习的多视图图像检索方法 - Google Patents
一种基于深度学习的多视图图像检索方法 Download PDFInfo
- Publication number
- CN106570192A CN106570192A CN201611014355.1A CN201611014355A CN106570192A CN 106570192 A CN106570192 A CN 106570192A CN 201611014355 A CN201611014355 A CN 201611014355A CN 106570192 A CN106570192 A CN 106570192A
- Authority
- CN
- China
- Prior art keywords
- image
- view
- view image
- deep learning
- optimum
- 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.)
- Pending
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于深度学习的多视图图像检索方法,该方法训练过程包括:多视图图像,将多视图图像从维度和尺度方面进行归一化处理;构造多视图深度卷积神经网络,构建多路视图并行处理的卷积神经网络,每一路网络的初始参数相同;网络参数精细化调整,利用标签数据集来精细化调整预训练的网络参数;在训练完成之后,对图像库中进行图像分类和最优视角进行计算,提取图像特征和每一组多视图中的最优视角,并将图像特征和最优视角进行存储。在图像检索时,输入单视图之后,检索反馈的结果将包含相似图像及其最优视角的图像。本发明的利用单视图检索多视图的方法,提高检索准确性和结果显示的直观性。
Description
技术领域
本发明涉及一种图像检索领域,尤其是一种基于深度学习的多视图图像检索方法。
技术背景
传统的图像检索方式是采用单视图进行检索的。对同一目标对象的不同视角的图像构成一组更加能够形象描述目标对象的图像组,这种图像组称为多视图图像。在这些多视图图像中有些视图能够准确的体现目标对象,但是有些视图像没有如此的表现能力,在这些多视图图像中最能够表征多视图图像目标的视角称为最优视角。多视图图像应用非常广泛,如在电子商务平台的物品在线展示通常是采用多视图来体现;外观设计专利图像也是一种采用多视图来表示产品外观形象。
传统的以图搜图的检索方法没有将多视图图像作为有机的整体来,导致检索准确率较低。同时,在选择检索源图像的时候,检索的结果往往反馈的是与源图像相似的图像,有时源图像本身存并不能非常准确地标识目标本身,因此导致检索的结果不令人满意。因此,设计一种能够检索多视图图像中最优视角图像的方法是在技术领域中需要解决的一个问题。
发明内容
针对现有技术中的不足,本发明提供一种基于深度学习的多视图图像检索方法,构建并训练多视图卷积神经网络,利用预训练的网络参数作为学习网络的初始权值,采用标记多视图图像调整学习网络的权重,完成学习之后,将数据库中的图像提取特征和最优视角并存储在数据库中,检索时将图像输入学习网络中提取出图像的特征及其最优视角,然后与数据库中的图像特征进行比较,返回相似图像的最优视图图像。该方法大大提高了图像检索结果的准确性,解决多视图图像检索过程多视图图像之间特征关联及最优特征表示的问题。
按照本发明所提供的设计方案,一种基于深度学习的多视图图像检索方法,其训练过程具体包含以下步骤:
步骤1.多视图图像预处理,将多视图图像尺度归一化,图像维度归一化,同时将多视图图像的各个视图进行区分分类;将多视图图像数据集分为测试数据集和训练数据集两部分。
步骤2.构造多视图深度卷积神经网络,按照视图类别为每一类视图采用VGG-M网络参数,只是将后通过Softmax分类输出采用newSoftmax来替换,利用预训练的网络参数作为网络的初始权重。
步骤3.网络参数精细化调整,用训练数据集来反向调整网络参数,进一步利用带标签的测试数据集来精细化化调整网络参数,得到训练后的多视图深度学习网络模型。
步骤4.数据库中图像特征及最优视角计算,离线计算数据库中的多视图图像的特征及其最优视角,并将结果保存在特征数据库中。
上述,步骤1中,图像尺度归一化是将图像调整为相同的尺度。
优选地,尺度为227*227。
上述,步骤1中,图像维度归一化是将二维的灰度图像变为三维的类似RGB格式的图像。
优选地,将增加新的图像的R、G、B通道对应像素的取值与灰度图像对应像素取值相同。
上述,步骤2中,多视图分支的分别为主视图,左视图、右视图、俯视图、仰视图、后视图以及立体视图分支。
上述,步骤2中,预训练的网络参数采用的是基于VGG-M训练的到的网络参数。
优选地,选择VGG-M模型作为网络参数。
上述,步骤2中,多视图网络分支的初始参数和网络架构相同。
上述,步骤2中,newSoftmax输出的结果为M*N的向量,其中M表示视图的种类,N表示图像的分类数。
上述,步骤4中,多视图图像通过深度学习网络计算得到图像的特征值和各视图的最优视角。
按照本发明所提供的设计方案,一种基于深度学习的多视图图像检索方法,其检索过程具体包含以下步骤:
步骤一.图像预处理,即将待检索的图像尺度归一化,图像维度归一化。
步骤二.将图像通过任意一路多视图深度卷积神经网络,计算得到图像的特征。
步骤三.将图像的特征与数据库中的图像特征比较,按照距离从小到大输出图像索引号,从图像库中提取出索引号对应的最优视角图像。
步骤四.检索结果相似度排序输出,将检索的最优视角图像及相似图像分组输出。
本发明的有益效果:本发明针对现有多视图图像检索缺乏对最优视图检索的应用,利用深度卷积神经网络构造多视图的卷积神经网络,将对应的视图按照视图的通路进行卷积处理,分析出最能够代表多视图组的最优视图,大大提高了图像检索结果的直观性和图像检索的准确性。
附图说明
图1.本发明的训练流程示意图。
图2.本发明的检索流程示意图。
图3.本发明实施例提供的流程图。
具体实施方式
为了使本发明的目的、技术方案即优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一,参考图1所示,一种基于深度学习的多视图图像检索方法,其特征在于,训练过程包括:
步骤1.多视图图像预处理,将多视图图像尺度归一化,图像维度归一化,同时将多视图图像的各个视图进行区分分类;将多视图图像数据集分为测试数据集和训练数据集两部分。
步骤2.构造多视图深度卷积神经网络,按照视图类别为每一类视图采用VGG-M网络参数,只是将后通过Softmax分类输出采用newSoftmax来替换,利用预训练的网络参数作为网络的初始权重。
步骤3.网络参数精细化调整,用训练数据集来反向调整网络参数,进一步利用带标签的测试数据集来精细化化调整网络参数,得到训练后的多视图深度学习网络模型。
步骤4.数据库中图像特征及最优视角计算,离线计算数据库中的多视图图像的特征及其最优视角,并将结果保存在特征数据库中。
实施例二:参考图2所示,一种基于深度学习的多视图图像检索方法,其特征在于,检索过程包括:
步骤201.图像预处理,即将待检索的图像尺度归一化,图像维度归一化。
步骤202.将图像通过任意一路多视图深度卷积神经网络,计算得到图像的特征。
步骤203.将图像的特征与数据库中的图像特征比较,按照距离从小到大输出图像索引号,从图像库中提取出索引号对应的最优视角图像。
步骤204.检索结果相似度排序输出,将检索的最优视角图像及相似图像分组输出。
实施例三:参考图3所示,一种基于深度学习的多视图图像检索方法,其特征在于,
步骤301.图像尺度归一化,将图像变为227*227大小。
步骤302.图像维度归一化,如果图像是RGB三维的,则保持不变;如果图像是灰度图像或者二值图像,则将图像的增加两维转变为类似RGB的三维图像,新增加维度与原来的图像相同。
步骤303.将图像的各路视图与对应的卷积神经网络相匹配。
步骤304.CNN,将通过CNN卷积计算图像特征。
步骤305.FC2,图像特征通过FC2全连接网络提取图像特征,FC2提取之后的特征为4096维。
步骤3051.Feature1,将FC2之后的各路视图的特征向量提取出来作为多视图的特征向量的第一部分。
步骤306.FC3,图像特征通过FC3全连接网络提取图像特征,FC3提取之后的特征为4096维。
步骤3061.Feature2,将Feature1和Feature2向量进行加权平局得到表征多视图图像的特征向量,并存储。
优选地,对图像特征向量进行压缩存储。
步骤3062.图像特征,将FC2之后的各路视图的特征向量提取出来作为多视图的特征向量的第一部分。
步骤307.newSoftmax,图像通过newSoftmax网络提取图像的特征,形成M*N维的特征向量,其中M表示视图的种类,N表示图像的分类数。
步骤308.M*N特征矩阵,存储从每一路输出特征向量。
步骤309.最优特征矩阵,通过比较每一路视图的特征向量的大小来判断最优视角,并将最优视角向量进行标记和存储。
优先地,特征大小的比较采用欧式距离来度量。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的多视图图像检索方法,其特征在于包含训练过程和检索过程;
所述的训练过程用于网络参数的训练和图像库中图像特征的提取;
所述的检索过程是检索图像的特征提取、匹配和结果的输出。
2.根据权利要求1所述的基于深度学习的多视图图像检索方法,其特征在于,训练过程包括:多视图图像预处理,构建多视图深度卷积神经网络,网络参数精细化调整,数据库中图像特征及最优视角计算;
所述的多视图图像预处理,对输入多视图图像进行归一化处理和规范化处理;
所述的构建多视图深度卷积神经网络,按照多视图最大视图类别构建多通道深度卷积神经网络,并采用预训练模型参数作为每一路多视图卷积网络的初始化参数;
所述的网络参数精细化调整,利用标记的多视图图像来调整每一路预训练的深度卷积神经网络参数;
所述的数据库中图像特征及最优视角计算,计算数据库中的图像的特征,计算每一组多视图图像的最优视角图像特征,并将这些图像特征向量和最优视角存储。
3.根据权利要求2所述的基于深度学习的多视图图像检索方法,其特征在于,所述的多视图图像预处理包括将图像尺度归一化,图像维度归一化。
4.根据权利要求2所述的基于深度学习的多视图图像检索方法,其特征在于,所述构造多视图深度卷积神经网络采用VGG-M网络参数来构建,将最后通过Softmax替换为newSoftmax。
5.根据权利要求2所述的基于深度学习的多视图图像检索方法,其特征在于,所述的数据库中图像特征及最优视角计算,数据库中图像特征及最优视角计算,离线计算数据库中的多视图图像的特征及其最优视角,并将结果保存在特征数据库中。
6.根据权利要求1所述的基于深度学习的多视图图像检索方法,其特征在于,检索过程包括:图像预处理,深度卷积神经网络特征提取,提取最优视角图像,检索结果相似度排序输出;
所述的图像预处理,对输入的图像进行归一化处理和规范化处理;
所述的深度卷积神经网络特征提取,通过训练完成的深度卷积神经网络提取输入图像的特征;
所述的提取最优视角图像,即找出检索图像相似的图像的最优视角;
所述的检索结果相似度排序输出,按照相似度排序反馈检索。
7.根据权利要求6所述的基于深度学习的多视图图像检索方法,其特征在于,所述检索结果相似度排序输出,包括将待检索的图像特征与数据库中的图像特征之间的进行距离比较,按照距离的数值从小到大排序,并将这些多视图图像的最优视角图像和相似图像本身的反馈输出。
8.根据权利要求2所述的基于深度学习的多视图图像检索方法,其特征在于,训练过程包括以下步骤:
步骤1.多视图图像预处理,将多视图图像尺度归一化,图像维度归一化,同时将多视图图像的各个视图进行区分分类;将多视图图像数据集分为测试数据集和训练数据集两部分。
步骤2.构造多视图深度卷积神经网络,按照视图类别为每一类视图采用VGG-M网络参数,只是将后通过Softmax分类输出采用newSoftmax来替换,利用预训练的网络参数作为网络的初始权重。
步骤3.网络参数精细化调整,用训练数据集来反向调整网络参数,进一步利用带标签的测试数据集来精细化化调整网络参数,得到训练后的多视图深度学习网络模型。
步骤4.数据库中图像特征及最优视角计算,离线计算数据库中的多视图图像的特征及其最优视角,并将结果保存在特征数据库中。
9.根据权利要求6所述的基于深度学习的多视图图像检索方法,其特征在于,检索过程包括以下步骤:
步骤一.图像预处理,即将待检索的图像尺度归一化,图像维度归一化。
步骤二.将图像通过任意一路多视图深度卷积神经网络,计算得到图像的特征。
步骤三.将图像的特征与数据库中的图像特征比较,按照距离从小到大输出图像索引号,从图像库中提取出索引号对应的最优视角图像。
步骤四.检索结果相似度排序输出,将检索的最优视角图像及相似图像分组输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611014355.1A CN106570192A (zh) | 2016-11-18 | 2016-11-18 | 一种基于深度学习的多视图图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611014355.1A CN106570192A (zh) | 2016-11-18 | 2016-11-18 | 一种基于深度学习的多视图图像检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106570192A true CN106570192A (zh) | 2017-04-19 |
Family
ID=58542906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611014355.1A Pending CN106570192A (zh) | 2016-11-18 | 2016-11-18 | 一种基于深度学习的多视图图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570192A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460492A (zh) * | 2018-10-22 | 2019-03-12 | 武汉极意网络科技有限公司 | Gcn模型的建立方法、装置、服务器及存储介质 |
CN109522902A (zh) * | 2017-09-18 | 2019-03-26 | 微软技术许可有限责任公司 | 空-时特征表示的提取 |
CN109547410A (zh) * | 2018-10-22 | 2019-03-29 | 武汉极意网络科技有限公司 | 基于gcn的请求识别方法、装置、服务器及存储介质 |
CN109657084A (zh) * | 2019-01-07 | 2019-04-19 | 哈尔滨理工大学 | 一种基于图像处理的图书检索方法 |
CN109726746A (zh) * | 2018-12-20 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种模板匹配的方法及装置 |
CN109886191A (zh) * | 2019-02-20 | 2019-06-14 | 上海昊沧系统控制技术有限责任公司 | 一种基于ar的识别物管理方法及系统 |
CN110008999A (zh) * | 2019-03-07 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标帐号的确定方法、装置、存储介质及电子装置 |
CN110020113A (zh) * | 2017-09-28 | 2019-07-16 | 南京无界家居科技有限公司 | 一种基于特征匹配的家居产品预测方法及装置 |
CN110288026A (zh) * | 2019-06-27 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于度量关系图学习的图像分割方法及装置 |
CN110543581A (zh) * | 2019-09-09 | 2019-12-06 | 山东省计算中心(国家超级计算济南中心) | 基于非局部图卷积网络的多视图三维模型检索方法 |
CN110555121A (zh) * | 2019-08-27 | 2019-12-10 | 清华大学 | 基于图神经网络的图像哈希生成方法及装置 |
CN110852385A (zh) * | 2019-11-12 | 2020-02-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN110992217A (zh) * | 2019-11-15 | 2020-04-10 | 广东工业大学 | 一种外观设计专利多视图特征表示、检索的方法及装置 |
CN112989094A (zh) * | 2021-02-04 | 2021-06-18 | 北京林业大学 | 一种标本信息查询、分拣和提取系统及方法 |
CN114020953A (zh) * | 2021-10-27 | 2022-02-08 | 北京中知智慧科技有限公司 | 外观设计产品的多图检索方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201186A1 (en) * | 2012-02-08 | 2013-08-08 | Thomson Licensing | Film grain for stereoscopic or multi-view images |
CN103295025A (zh) * | 2013-05-03 | 2013-09-11 | 南京大学 | 一种三维模型最优视图的自动选择方法 |
-
2016
- 2016-11-18 CN CN201611014355.1A patent/CN106570192A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201186A1 (en) * | 2012-02-08 | 2013-08-08 | Thomson Licensing | Film grain for stereoscopic or multi-view images |
CN103295025A (zh) * | 2013-05-03 | 2013-09-11 | 南京大学 | 一种三维模型最优视图的自动选择方法 |
Non-Patent Citations (1)
Title |
---|
HANG SU 等: "3D object retrieval based on multi-view convolutional", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522902A (zh) * | 2017-09-18 | 2019-03-26 | 微软技术许可有限责任公司 | 空-时特征表示的提取 |
CN109522902B (zh) * | 2017-09-18 | 2023-07-07 | 微软技术许可有限责任公司 | 空-时特征表示的提取 |
CN110020113B (zh) * | 2017-09-28 | 2021-04-20 | 南京无界家居科技有限公司 | 一种基于特征匹配的家居产品预测方法及装置 |
CN110020113A (zh) * | 2017-09-28 | 2019-07-16 | 南京无界家居科技有限公司 | 一种基于特征匹配的家居产品预测方法及装置 |
CN109547410A (zh) * | 2018-10-22 | 2019-03-29 | 武汉极意网络科技有限公司 | 基于gcn的请求识别方法、装置、服务器及存储介质 |
CN109460492A (zh) * | 2018-10-22 | 2019-03-12 | 武汉极意网络科技有限公司 | Gcn模型的建立方法、装置、服务器及存储介质 |
CN109726746A (zh) * | 2018-12-20 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种模板匹配的方法及装置 |
CN109657084A (zh) * | 2019-01-07 | 2019-04-19 | 哈尔滨理工大学 | 一种基于图像处理的图书检索方法 |
CN109886191A (zh) * | 2019-02-20 | 2019-06-14 | 上海昊沧系统控制技术有限责任公司 | 一种基于ar的识别物管理方法及系统 |
CN110008999A (zh) * | 2019-03-07 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标帐号的确定方法、装置、存储介质及电子装置 |
CN110288026A (zh) * | 2019-06-27 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于度量关系图学习的图像分割方法及装置 |
CN110555121A (zh) * | 2019-08-27 | 2019-12-10 | 清华大学 | 基于图神经网络的图像哈希生成方法及装置 |
CN110555121B (zh) * | 2019-08-27 | 2022-04-15 | 清华大学 | 基于图神经网络的图像哈希生成方法及装置 |
CN110543581B (zh) * | 2019-09-09 | 2023-04-04 | 山东省计算中心(国家超级计算济南中心) | 基于非局部图卷积网络的多视图三维模型检索方法 |
CN110543581A (zh) * | 2019-09-09 | 2019-12-06 | 山东省计算中心(国家超级计算济南中心) | 基于非局部图卷积网络的多视图三维模型检索方法 |
CN110852385A (zh) * | 2019-11-12 | 2020-02-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN110852385B (zh) * | 2019-11-12 | 2022-07-12 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN110992217A (zh) * | 2019-11-15 | 2020-04-10 | 广东工业大学 | 一种外观设计专利多视图特征表示、检索的方法及装置 |
CN112989094A (zh) * | 2021-02-04 | 2021-06-18 | 北京林业大学 | 一种标本信息查询、分拣和提取系统及方法 |
CN114020953A (zh) * | 2021-10-27 | 2022-02-08 | 北京中知智慧科技有限公司 | 外观设计产品的多图检索方法及装置 |
CN114020953B (zh) * | 2021-10-27 | 2022-12-13 | 北京中知智慧科技有限公司 | 外观设计产品的多图检索方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570192A (zh) | 一种基于深度学习的多视图图像检索方法 | |
CN104834748B (zh) | 一种利用基于深度语义排序哈希编码的图像检索方法 | |
CN109685115B (zh) | 一种双线性特征融合的细粒度概念模型及学习方法 | |
CN105320965B (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN103544506B (zh) | 一种基于卷积神经网络的图像分类方法和装置 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN106960214A (zh) | 基于图像的物体识别方法 | |
CN108780508A (zh) | 用于归一化图像的系统和方法 | |
WO2015062384A1 (zh) | 图像目标类别识别方法及装置 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN112036447B (zh) | 零样本目标检测系统及可学习语义和固定语义融合方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN110222215B (zh) | 一种基于f-ssd-iv3的作物害虫检测方法 | |
CN110070107A (zh) | 物体识别方法及装置 | |
CN109002562A (zh) | 一种仪器识别模型训练方法和装置及仪器识别方法和装置 | |
CN107169148A (zh) | 图像搜索方法、装置、设备以及存储介质 | |
CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN107330750A (zh) | 一种推荐产品配图方法及装置,电子设备 | |
CN108280488A (zh) | 基于共享神经网络的可抓取物体识别方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN107291825A (zh) | 一种视频中同款商品的检索方法和系统 | |
CN104794455B (zh) | 一种东巴象形文字识别方法 | |
CN110210468A (zh) | 一种基于卷积神经网络特征融合迁移的文字识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170419 |