CN107273478B - 一种基于Group Lasso的半监督哈希图像搜索方法 - Google Patents

一种基于Group Lasso的半监督哈希图像搜索方法 Download PDF

Info

Publication number
CN107273478B
CN107273478B CN201710434078.8A CN201710434078A CN107273478B CN 107273478 B CN107273478 B CN 107273478B CN 201710434078 A CN201710434078 A CN 201710434078A CN 107273478 B CN107273478 B CN 107273478B
Authority
CN
China
Prior art keywords
image
label
group lasso
semi
supervised
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
CN201710434078.8A
Other languages
English (en)
Other versions
CN107273478A (zh
Inventor
黄滟鸿
史建琦
王祥丰
吴苑斌
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.)
Shanghai Fenglei Information Technology Co Ltd
East China Normal University
Original Assignee
Shanghai Fenglei Information Technology Co Ltd
East China Normal 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 Shanghai Fenglei Information Technology Co Ltd, East China Normal University filed Critical Shanghai Fenglei Information Technology Co Ltd
Priority to CN201710434078.8A priority Critical patent/CN107273478B/zh
Publication of CN107273478A publication Critical patent/CN107273478A/zh
Application granted granted Critical
Publication of CN107273478B publication Critical patent/CN107273478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis

Landscapes

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

Abstract

本发明提供了一种基于Group Lasso的半监督哈希图像搜索方法，属于图像搜索领域。所述方法包括：识别图像数据库中的标签图像和非标签图像，对输入图像、标签图像和非标签图像进行预处理；根据预处理后的输入图像、标签图像和非标签图像进行基于Group Lasso的半监督哈希学习得到各图像对应的二进制哈希码；根据二进制哈希码计算输入图像与图像数据库中各图像之间的海明距离，并返回最小海明距离对应的图像作为图像搜索结果。本发明中，能够结合现有图像数据的状况，有效的建模图像数据结构，快速准确的搜索到所需的图像，并且无需存储图像本身，大大节约了存储空间。

Description

一种基于Group Lasso的半监督哈希图像搜索方法
技术领域
本发明涉及图像搜索领域，尤其涉及一种基于Group Lasso的半监督哈希图像搜索方法。
背景技术
大数据时代的到来、互联网技术的飞速发展和智能手机与照相机等成像设备的日渐普及，使图像等媒体资源的数据采集越来越便捷。在Wcb2.0时代，人们早已不满足于仅仅使用文字来传达信息，尤其是随着Faccbook、推特、微信、微博等社交软件的流行，人们在日常生活中已经非常熟练的使用聊天“表情包”、朋友圈小视频、语音信息等。这些图像、视频、音频等海量的非结构化数据每天都在以惊人的速度增长。据市场调查研究公司IDC的一项调查报告指出：世界上80％的数据都是非结构化数据，以文档、图像、视频、音频等形式存储信息，这些数据每年都按指数增长60％。这其中，图像数据占据了极大的比例，也蕴含了大量的信息。
面对以几何速度增长的网络图像数量，传统的图像数据的分析和处理面临资源基数庞大、特征维度高、需要的存储空间大、查询速度慢等方面的挑战；因此诞生了多种拥有亚线性、对数甚至常数的时间复杂度的近似最近邻算法(Approximatc Nearcst Ncighbor，ANN)，其中基于哈希的近似最近邻算法以常数的查询时间和只需存储少量压缩的二进制码等优点获得大量关注。
然而，从现实生活中的图像数据标记现状考虑，尤其是在图像搜索与识别等领域，最大量的、获取最便捷的图像数据都是没有标签的，只有少部分是耗费人力和物力获得的带有标签的图像数据。因此，只需少量带标签的图像数据和大量没有标签的图像数据的图像搜索方法是具有重大现实意义和实际需求的。
再者，从图像数据的结构考虑，由于图像本身具有颜色、性质、纹理等全局特征和局部子特征，图像数据的不同维度之间可能具有某些结构或语义联系，因此，有效的建模图像数据的结构同样成为图像搜索方法的关键点之一。
最后，从图像数据的规模考虑，图像数据在与日俱增，设计有效的求解算法对大规模数据集上的图像搜索亦是重中之重。
发明内容
为解决现有技术的缺陷，本发明提供一种基于Group Lasso的半监督哈希图像搜索方法，包括：
步骤S1：识别图像数据库中的标签图像和非标签图像，对输入图像、所述标签图像和所述非标签图像进行预处理；
步骤S2：根据预处理之后的所述输入图像、所述标签图像和所述非标签图像进行基于Group Lasso的半监督哈希学习得到各图像对应的二进制哈希码；
步骤S3：根据所述二进制哈希码计算所述输入图像与所述图像数据库中各图像之间的海明距离，并返回最小海明距离对应的图像作为图像搜索结果。
可选地，所述步骤S1中，所述预处理包括：灰度化、归一化、几何变换和降噪操作。
可选地，所述步骤S2还包括：使用邻近算法优化求解模型。
可选地，所述使用邻近算法优化求解模型，具体包括：在邻近算法每次迭代时，从当前迭代点沿着梯度方向找到另一个点使得目标函数的二次近似函数的函数值最小，并将所述当前迭代点更新为得到的最小函数值；将所述目标函数的二次近似函数写成邻近算子的形式，具体包括：
步骤1：梯度步，在第t次迭代时，沿着f(Wt)梯度方向移动，另：
其中，t＝1、2、···N，为迭代次数；ut是第t次迭代的值；Wt为第t次迭代的模型系数；满足利普希茨连续；L>0，是的利普希茨常数的上界；
步骤2：邻近算子步，用每次迭代的解，即Group Lasso的邻近算子，更新Wt+1，直到收敛或达到最大迭代次数N：
Wt+1＝[Proxμθ(ut)]g
步骤3：输出最优解。
可选地，所述步骤S2中，在所述基于Group Lasso的半监督哈希学习运算中，包括：根据所述Group Lasso算法引入稀疏性，进行Group Lasso的嵌入式图像特征选择。
可选地，所述进行Group Lasso的嵌入式图像特征选择，具体为：以组为单位将同一组的图像特征同时选入或者同时剔除。
可选地，所述步骤S3中，所述根据所述二进制哈希码计算所述输入图像与所述图像数据库中的各图像之间的海明距离之后，还包括：将所述海明距离排序得到最小海明距离。
本发明的优点在于：
面对以几何速度增长的图像数量，能够结合现有图像数据的状况，有效的建模图像数据结构，快速准确的搜索到所需的图像，并且无需存储图像本身，大大节约了存储空间。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1为本发明提供的一种基于Group Lasso的半监督哈希图像搜索框架图；
附图2为本发明实施例一提供的一种基于Group Lasso的半监督哈希图像搜索方法流程图；
附图3为本发明实施例二提供的一种基于Group Lasso的半监督哈希图像搜索装置框图；
附图4为本发明实施例三提供的一种基于Group Lasso的半监督哈希图像搜索框架图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明在图像搜索领域现状的背景下，由图像数据的结构和标签情况驱动有效建模，在已有的半监督哈希图像搜索算法基础上，提出了一种基于Group Lasso的半监督哈希图像搜索方法。如图1所示，方法包括预处理步骤(1)、基于Group Lasso的半监督哈希学习步骤(2)和计算搜索结果步骤(3)；本发明中引入Group Lasso算法和邻近算法，使有效建模的图像搜索方法具有更高的准确性和更快的查询速度，并且只需存储图像的二进制哈希码作为学习的结果，节省了存储空间，还可以推广至超大规模图像数据集搜索。
其中，邻近算法常用于解决形如minF(x)＝f(x)+μθ(x)的凸优化问题，其中，f:Rp→R是可微分的凸函数，θ:Rp→R是不可微分的闭凸函数，x∈X是p维向量；以下将F(x)＝f(x)+μθ(x)称为目标函数；
邻近算法中邻近算子的定义为使取最小值的解；
目标函数的二次近似函数为：其中，t＝1、2、···N，为迭代次数；满足利普希茨连续；L>0，是的利普希茨常数的上界。
以下将结合上述内容，对本发明中公开的图像搜索方法进行进一步的详细说明。
实施例一
根据本发明的实施方式，提出一种基于Group Lasso的半监督哈希图像搜索方法，如图2所示，包括：
步骤101：识别图像数据库中的标签图像和非标签图像，对输入图像、标签图像和非标签图像进行预处理；
步骤102：根据预处理之后的输入图像、标签图像和非标签图像进行基于GroupLasso的半监督哈希学习得到各图像对应的二进制哈希码；
步骤103：根据二进制哈希码计算输入图像与图像数据库中各图像之间的海明距离，并返回最小海明距离对应的图像作为图像搜索结果。
根据本发明的实施方式，步骤101中，预处理包括但不限于：灰度化、归一化、几何变换和降噪操作。
需要说明地，由于海量的原始图像本身具有不同的颜色、纹理、分辨率、大小等，在使用图像进行分析、学习之前，对原始图像数据进行必要的预处理可以有效的简化数据、去除噪声等无关信息的干扰。
根据本发明的实施例方式，步骤102还包括：使用临近算法优化求解模型。
其中，使用临近算法优化求解模型，具体包括：在邻近算法每次迭代时，从当前迭代点沿着梯度方向找到另一个点使得目标函数的二次近似函数的函数值最小，并将当前迭代点更新为得到的最小函数值；将目标函数的二次近似函数写成邻近算子的形式，则具体包括：
步骤1：梯度步，在第t次迭代时，沿着f(Wt)梯度方向移动，另：
其中，t＝1、2、···N，为迭代次数；ut是第t次迭代的值；Wt为第t次迭代的模型系数；满足利普希茨连续；L>0，是的利普希茨常数的上界；
步骤2：邻近算子步，用每次迭代的解，即Group Lasso的邻近算子，更新Wt+1，直到收敛或达到最大迭代次数N，即：
Wt+1＝[Proxμθ(ut)]g
步骤3：输出最优解。
根据本发明的实施例方式，步骤102中，在基于Group Lasso的半监督哈希学习运算中，还包括：根据Group Lasso算法引入稀疏性，进行Group Lasso的嵌入式图像特征选择。
其中，进行Group Lasso的嵌入式图像特征选择，具体为：以组为单位将同一组的图像特征同时选入或者同时剔除。
在本实施例中，嵌入式图像特征选择，其将特征选择过程和学习过程融合为一体，两者在同一优化过程中完成，没有明显的划分。
本实施例步骤102中，得到对应的二进制哈希码之后，还包括：根据得到的二进制哈希码生成哈希查找表。
根据本发明的实施例方式，步骤103中，根据二进制哈希码计算输入图像与图像数据库中的各图像之间的海明距离之后，还包括：将海明距离排序得到最小海明距离。
进一步地，在本实施例中，根据二进制哈希码计算输入图像与图像数据库中的各图像之间的海明距离，具体为：计算输入图像的二进制哈希码与图像数据库中的各图像的二进制哈希码的对应位上编码不同的位数，得到输入图像与图像数据库中的各图像之间的海明距离；
例如，输入图像的二进制哈希码为10101，图像数据库中的某一图像的二进制哈希码为00110，两个二进制哈希码中第一位、第四位、第五位上的编码不同，则得到输入图像与图像数据库中的某一图像之间的海明距离为3。
更进一步地，在本实施例中，将Group Lasso算法引入了基于半监督哈希的学习模型中，同时引入了稀疏性，起到以组为单位进行特征选择的作用；对应地，步骤103中返回最小海明距离对应的图像可能为一组图像，也可能为一个图像。
实施例二
根据本发明的实施方式，提供一种基于Group Lasso的半监督哈希图像搜索装置，如图3所示，包括：
预处理模块201，用于识别图像数据库中的标签图像和非标签图像，对输入图像、标签图像和非标签图像进行预处理；
训练学习模块202，用于根据预处理模块201预处理之后的输入图像、标签图像和非标签图像进行基于Group Lasso的半监督哈希学习得到各图像对应的二进制哈希码；
计算模块203，用于根据训练学习模块202得到的二进制哈希码计算输入图像与图像数据库中各图像之间的海明距离，并返回最小海明距离对应的图像作为图像搜索结果。
根据本发明的实施方式，预处理模块201，具体用于：识别图像数据库中的标签图像和非标签图像，对输入图像、标签图像和非标签图像进行灰度化、归一化、几何变换和降噪操作。
根据本发明的实施方式，训练学习模块202包括：优化子模块，用于使用邻近算法优化求解模型。
其中，优化子模块，具体用于：在邻近算法每次迭代时，从当前迭代点沿着梯度方向找到另一个点使得目标函数的二次近似函数的函数值最小，并将当前迭代点更新为得到的最小函数值，将目标函数的二次近似函数写成邻近算子的形式，则具体包括：
步骤1：梯度步，在第t次迭代时，沿着f(Wt)梯度方向移动，另：
其中，t＝1、2、···N，为迭代次数；ut是第t次迭代的值；Wt为第t次迭代的模型系数；满足利普希茨连续；L>0，是的利普希茨常数的上界；
步骤2：邻近算子步，用每次迭代的解，即Group Lasso的邻近算子，更新Wt+1，直到收敛或达到最大迭代次数N：
Wt+1＝[Proxμθ(ut)]g
步骤3：输出最优解。
根据本发明的实施方式，训练学习模块202还包括：选择子模块，用于根据GroupLasso算法引入稀疏性，进行Group Lasso的嵌入式图像特征选择。
其中，选择子模块，具体用于：以组为单位将同一组的图像特征同时选入或者同时剔除。
根据本发明的实施方式，所述装置还包括：排序模块，用于在计算模块203根据训练学习模块202得到的二进制哈希码计算输入图像与图像数据库中的各图像之间的海明距离之后，将海明距离排序得到最小海明距离。
实施例三
根据本发明的实施方式，提出一种基于Group Lasso的半监督哈希图像搜索方法，如图4所示，包括：训练图像数据过程和搜索图像数据过程；
其中，训练图像数据过程，包括：
步骤a1：识别图像数据库中的标签图像和非标签图像，并对图像数据库中的各图像进行预处理；
步骤a2：根据处理后的标签图像和非标签图像进行基于Group Lasso的半监督哈希学习得到各图像对应的二进制哈希码；
其中，基于Group Lasso的半监督哈希学习得到以组为单位的组结构的学习结果，并具有稀疏性。
步骤a3：根据得到的各二进制哈希码生成哈希查找表。
在图像搜索过程中，包括：
步骤b1：对输入图像进行预处理；
步骤b2：根据预处理后的输入图像进行基于Group Lasso的半监督哈希学习得到输入图像的二进制哈希码；
步骤b3：根据输入图像的二进制哈希码和哈希查找表中的二进制哈希码依次计算输入图像与训练数据库中各图像之间的海明距离并排序得到最小海明距离，返回最小海明距离对应的图像作为搜索结果。
需要说明地，在本实施例中，将Group Lasso算法引入了基于半监督哈希的学习模型中，同时引入了稀疏性，起到以组为单位进行特征选择的作用；对应地，步骤b3中返回最小海明距离对应的图像可能为一组图像，也可能为一个图像。
本发明中的技术方案，面对以几何速度增长的图像数量，能够结合现有图像数据的状况，有效的建模图像数据结构，快速准确的搜索到所需的图像，并且无需存储图像本身，大大节约了存储空间。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种基于Group Lasso的半监督哈希图像搜索方法，其特征在于，包括：
步骤S1：识别图像数据库中的标签图像和非标签图像，对输入图像、所述标签图像和所述非标签图像进行预处理；
步骤S2：根据预处理之后的所述输入图像、所述标签图像和所述非标签图像进行基于Group Lasso的半监督哈希学习得到各图像对应的二进制哈希码；在所述基于Group Lasso的半监督哈希学习运算中，包括：根据所述Group Lasso算法引入稀疏性，进行Group Lasso的嵌入式图像特征选择；所述进行Group Lasso的嵌入式图像特征选择，具体为：以组为单位将同一组的图像特征同时选入或者同时剔除；
步骤S3：根据所述二进制哈希码计算所述输入图像与所述图像数据库中各图像之间的海明距离，并返回最小海明距离对应的图像作为图像搜索结果；
所述步骤S2还包括：使用邻近算法优化求解模型；所述使用邻近算法优化求解模型，具体包括：在邻近算法每次迭代时，从当前迭代点沿着梯度方向找到另一个点使得目标函数的二次近似函数的函数值最小，并将所述当前迭代点更新为得到的最小函数值；将所述目标函数的二次近似函数写成邻近算子的形式，具体包括：
步骤1：梯度步，在第t次迭代时，沿着f(Wt)梯度方向移动，另：
其中，t＝1、2、···N，为迭代次数；ut是第t次迭代的值；Wt为第t次迭代的模型系数；满足利普希茨连续；L＞0，是的利普希茨常数的上界；
步骤2：邻近算子步，用每次迭代的解，即Group Lasso的邻近算子，更新Wt+1，直到收敛或达到最大迭代次数N；
Wt+1＝[Proxμθ(ut)]g
步骤3：输出最优解。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，所述预处理包括：灰度化、归一化、几何变换和降噪操作。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3中，所述根据所述二进制哈希码计算所述输入图像与所述图像数据库中的各图像之间的海明距离之后，还包括：将所述海明距离排序得到最小海明距离。
CN201710434078.8A 2017-06-09 2017-06-09 一种基于Group Lasso的半监督哈希图像搜索方法 Active CN107273478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710434078.8A CN107273478B (zh) 2017-06-09 2017-06-09 一种基于Group Lasso的半监督哈希图像搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710434078.8A CN107273478B (zh) 2017-06-09 2017-06-09 一种基于Group Lasso的半监督哈希图像搜索方法

Publications (2)

Publication Number Publication Date
CN107273478A CN107273478A (zh) 2017-10-20
CN107273478B true CN107273478B (zh) 2019-10-08

Family

ID=60066686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710434078.8A Active CN107273478B (zh) 2017-06-09 2017-06-09 一种基于Group Lasso的半监督哈希图像搜索方法

Country Status (1)

Country Link
CN (1) CN107273478B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345654A (zh) * 2018-01-23 2018-07-31 南京邮电大学 一种基于半监督阶梯网络的图像哈希检索方法
CN109766463B (zh) * 2019-01-10 2021-03-12 清华大学 应用于图像检索的半监督哈希学习方法及装置
CN110059206A (zh) * 2019-03-29 2019-07-26 银江股份有限公司 一种基于深度表征学习的大规模哈希图像检索方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512289A (zh) * 2015-12-07 2016-04-20 郑州金惠计算机系统工程有限公司 基于深度学习和哈希的图像检索方法
CN105740911A (zh) * 2016-02-02 2016-07-06 温州大学 基于保持结构稀疏化的半监督字典学习方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9355320B2 (en) * 2014-10-30 2016-05-31 Toyota Motor Engineering & Manufacturing North America, Inc. Blur object tracker using group lasso method and apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512289A (zh) * 2015-12-07 2016-04-20 郑州金惠计算机系统工程有限公司 基于深度学习和哈希的图像检索方法
CN105740911A (zh) * 2016-02-02 2016-07-06 温州大学 基于保持结构稀疏化的半监督字典学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Local image tagging via graph regularized joint group sparsity;Yang Yang等;《Pattern Recognition》;20131231;第1358-1368页 *
局部二值模式结合多类组LASSO算法的人脸识别方法;卜宇等;《微型电脑应用》;20161231;第32卷(第9期);第15-17、80页 *

Also Published As

Publication number Publication date
CN107273478A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
Korban et al. Ddgcn: A dynamic directed graph convolutional network for action recognition
Mohamed et al. Content-based image retrieval using convolutional neural networks
Gao et al. Object-centric representation learning from unlabeled videos
CN108959522B (zh) 基于半监督对抗生成网络的迁移检索方法
CN113157886B (zh) 一种自动问答生成方法、系统、终端及可读存储介质
CN107273478B (zh) 一种基于Group Lasso的半监督哈希图像搜索方法
CN113377981B (zh) 基于多任务深度哈希学习的大规模物流商品图像检索方法
CN111080551B (zh) 基于深度卷积特征和语义近邻的多标签图像补全方法
US20180349766A1 (en) Prediction guided sequential data learning method
WO2023036157A1 (en) Self-supervised spatiotemporal representation learning by exploring video continuity
CN114298122A (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN114037055A (zh) 数据处理系统、方法、装置、设备及存储介质
Huttunen Deep neural networks: A signal processing perspective
CN114782752A (zh) 基于自训练的小样本图像集成分类方法及装置
Yuan et al. Shrec’19 track: Extended 2D scene sketch-based 3D scene retrieval
CN114359582A (zh) 一种基于神经网络的小样本特征提取方法及相关设备
CN105117735A (zh) 一种大数据环境下的图像检测方法
CN107169137B (zh) 一种基于Group Lasso的半监督哈希图像搜索装置
CN111178409B (zh) 基于大数据矩阵稳定性分析的图像匹配与识别系统
Desai et al. Artificial Intelligence Framework for Content-Based Image Retrieval: Performance Analysis
Jun et al. Two-view correspondence learning via complex information extraction
Zhou et al. An improved convolutional neural network model with adversarial net for multi-label image classification
Garcia-Espinosa et al. Automatic annotation for weakly supervised pedestrian detection
CN109885716A (zh) 基于异质多任务学习深度监督离散哈希的图像检索方法
Chen et al. A Robust Visual Loop-Closure Detection Method of VSLAM for Ambiguous Environment

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
GR01 Patent grant
GR01 Patent grant