CN107766582A - 一种基于目标局部区域的图像检索方法 - Google Patents
一种基于目标局部区域的图像检索方法 Download PDFInfo
- Publication number
- CN107766582A CN107766582A CN201711207759.7A CN201711207759A CN107766582A CN 107766582 A CN107766582 A CN 107766582A CN 201711207759 A CN201711207759 A CN 201711207759A CN 107766582 A CN107766582 A CN 107766582A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- search
- inquiry
- result
- 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.)
- Withdrawn
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
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明中提出的一种基于目标局部区域的图像检索方法，其主要内容包括：查询设定、搜索过程、输出结果，其过程为，首先用户通过交互界面进行系统输入目标检测信息，系统先将数据库中的区域图像块进行索引添加，并且通过查询预处理、区域聚类、结果融合和位置筛选等操作进行目标区域的确定，接着通过基于空间关系的推荐系统去检索含有该目标物体或区域的图像，最后输出评分最高的图像作为结果。本发明可以处理多种具有同样或极度相似背景信息的图像，提供一个多任务卷积神经网络特征训练方式，同时提高了细小区域或目标的检测精度与效果。
Description
技术领域
本发明涉及图像检索领域，尤其是涉及了一种基于目标局部区域的图像检索方法。
背景技术
随着互联网每日产生海量图像，如何从大规模的图像数据集中检索到目标图像已经逐渐成为多媒体研究领域的重点与难点，并且在近年来得到了广泛的关注。一般地，检索方法先对图像数据文件进行关键字或者相关信息的描述，将图像文件与文本信息进行关联，检索时，用户使用关键字与存储的文本信息进行比较，找出相关联的图像文件作为检索结果并排序输出。图像检索能在网络图像搜索、医学图像挖掘、基于内容的视频检索、安全监控和不良图像过滤等领域得到广泛应用，具体地，建立数字图书馆可以将重要资料存储成图像格式进行更快速的查找和传输；在公安治安方面，对重点监控的嫌疑人进行人像归档，可以加快破案速度；在医疗领域，通过精细化地记录人体体内的扫描图像，有助于更有效地跟进并回访患者的治疗情况等等。
在图像检索的传统方法中仍然有局限性。具体为，1)人工标注的方法费时费力，随着互联网的不断发展，每天产生的图像数量非常巨大，面对海量的图像数据，单纯依赖人工标注是不可能的，因此图像检索、系统仅适用于有限范围的图像库管理；2)面对丰富多样的图像，少量的文字描述是很难完全表达出图像的内容，此外，人的主观意念更是直接影响了图像内容的理解，因此基于文本的图像检索并不能很好地反应出图像检索的本质。因此整体上看，基于区域的图像检索是较为困难的研究领域。
本发明提出了一种基于位置空间关系进行图像推荐的新框架，用户通过交互界面进入系统输入目标检测信息，系统先将数据库中的区域图像块进行索引添加，并且通过查询预处理、区域聚类、结果融合和位置筛选等操作进行目标区域的确定，接着通过基于空间关系的推荐系统去检索含有该目标物体或区域的图像，最后输出评分最高的图像作为结果。本发明可以处理多种具有同样或极度相似背景信息的图像，提供一个多任务卷积神经网络特征训练方式，同时提高了对细小区域或目标的检测精度，从而达到更好的检索效果。
发明内容
针对解决在大规模图像中进行目标图像检索的问题，本发明的目的在于提供一种基于目标局部区域的图像检索方法，用户通过交互界面进入系统输入目标检测信息，系统先将数据库中的区域图像块进行索引添加，并且通过查询预处理、区域聚类、结果融合和位置筛选等操作进行目标区域的确定，接着通过基于空间关系的推荐系统去检索含有该目标物体或区域的图像，最后输出评分最高的图像作为结果。
为解决上述问题，本发明提供一种基于目标局部区域的图像检索方法，其主要内容包括：
(一)查询设定；
(二)搜索过程；
(三)训练方式。
其中，所述的查询设定，根据用户输入自定义的文字描述待搜索的物体及其属性设定约束条件，具体共有3种方式：
1)根据待测物体在图像中所占比例大小，使用简易尺度条件描述物体宽度、两物体之间距离度；
2)使用交互界面，通过拖拽和缩放界面方框，锁定待测物体；
3)使用空间关系建议系统，根据初始化的查询及结果自动推断和建议相关的空间约束条件。
所述的空间关系建议系统，通过计算查询问题所对应的目标之间的空间关系，为筛选结果提供关键辅助信息，包括基于数据挖掘的建议和基于语言的建议。
所述的基于数据挖掘的建议，从初始化的搜索结果中，对于目标的空间关系进行典型模式的数据挖掘，具体为：
1)根据位置远近关系，使用k-均值聚类算法对区域目标进行聚类；
2)将聚类结果与查询问题进行映射匹配，通过交互界面重新获得所需目标位置。
所述的基于语言的建议，在筛选聚类中的目标时，使用一系列的位置关系约束条件，在保持召回率大于0.96的情况下，通过最小化每个区域目标通过这些约束条件所得到的虚警率，来得到这些约束条件的阈值。
所述的搜索过程，包括制定数据库索引、制定搜索步骤。
所述的制定数据库索引，将图像分割成区域，提取基于局部区域的卷积神经网络特征，具体为：
1)提取特征：给定一个含有N幅图像的数据库，使用选择性搜索方法对每幅图像Ii(i＝1,…,N)提取ni(ni～2000)个不同的区域Ri,j(j＝1,…,ni)，将这些区域图像块通过卷积神经网络结构，得到多任务快速区域卷积神经网络特征；
2)特征索引：对所有提取到的区域特征，使用相似最近邻搜索方法，对其进行倒序排列和点积量化操作，每个特征会被压缩成128位的点积量化代码进行分类。
所述的制定搜索步骤，在查询阶段指定no个目标，使用4个步骤使其对当前数据库符合要求的目标进行评分排序，得分最高的为搜索结果，具体为：
1)预处理目标级别查询：将每个目标(一个类别名或一幅图像中的感兴趣区域)视为查询问题，分别将类别名、图像或属性输送到支持向量机学习，其学习到的权重将作为评价分数，并且生成查询向量；
2)搜索区域：给定目标级别的查询向量，根据评价分数选择具有高分评价的目标，其中分数计算方式如下：①当查询问题为类别名和属性向量时，分数②当查询问题为图像中的感兴趣区域时，分数其中是训练权重，vq是问题向量；
3)目标级别的结果融合：对于每幅图像Ii，其所有区域评分中的最高分将作为该幅图像的分数，所有根据查询问题得到的分数将累加成为最终分数；
4)基于位置条件的筛选：位置条件通过交互界面进行实时限定。
所述的多任务快速区域卷积神经网络特征，通过卷积神经网络所学习到的特征，将用于优化事件搜索、目标类别搜索和目标属性搜索三方面应用，具体串行或并行处理多任务的方式为：
1)叠加方式：全部任务按时间先后顺序进行串联处理；
2)联结方式：在预训练的网络中，各任务进行各自独立的卷积网络训练，然后将各自的输出特征合并，一起输入到全连接层；
3)融合方式：将卷积层分为两部分，首先各任务独立进行卷积网络训练，然后将各自的输出特征合并后，再经过一段卷积神经网络的训练，最后再输入到全连接层。
所述的训练方式，首先对每个卷积神经网络进行单任务目标训练，得到各自独立的结构；使用联结方式和融合方式对上述独立结构进行训练，具体为，在每一次迭代过程，随机挑选一个任务，选取小批量的数据样本，通过全连接层计算其预测值与真实值之间的损失函数，再通过函数结果返回调整网络权值，从而完成一次迭代训练。
附图说明
图1是本发明一种基于目标局部区域的图像检索方法的系统流程图。
图2是本发明一种基于目标局部区域的图像检索方法的实例图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于目标局部区域的图像检索方法的系统流程图。主要包括查询设定；搜索过程；训练方式。
其中，查询设定，根据用户输入自定义的文字描述待搜索的物体及其属性设定约束条件，具体共有3种方式：
1)根据待测物体在图像中所占比例大小，使用简易尺度条件描述物体宽度、两物体之间距离度；
2)使用交互界面，通过拖拽和缩放界面方框，锁定待测物体；
3)使用空间关系建议系统，根据初始化的查询及结果自动推断和建议相关的空间约束条件。
空间关系建议系统，通过计算查询问题所对应的目标之间的空间关系，为筛选结果提供关键辅助信息，包括基于数据挖掘的建议和基于语言的建议。
基于数据挖掘的建议，从初始化的搜索结果中，对于目标的空间关系进行典型模式的数据挖掘，具体为：
1)根据位置远近关系，使用k-均值聚类算法对区域目标进行聚类；
2)将聚类结果与查询问题进行映射匹配，通过交互界面重新获得所需目标位置。
基于语言的建议，在筛选聚类中的目标时，使用一系列的位置关系约束条件，在保持召回率大于0.96的情况下，通过最小化每个区域目标通过这些约束条件所得到的虚警率，来得到这些约束条件的阈值。
搜索过程，包括制定数据库索引、制定搜索步骤。
制定数据库索引，将图像分割成区域，提取基于局部区域的卷积神经网络特征，具体为：
1)提取特征：给定一个含有N幅图像的数据库，使用选择性搜索方法对每幅图像Ii(i＝1,…,N)提取ni(ni～2000)个不同的区域Ri,j(j＝1,…,ni)，将这些区域图像块通过卷积神经网络结构，得到多任务快速区域卷积神经网络特征；
2)特征索引：对所有提取到的区域特征，使用相似最近邻搜索方法，对其进行倒序排列和点积量化操作，每个特征会被压缩成128位的点积量化代码进行分类。
制定搜索步骤，在查询阶段指定no个目标，使用4个步骤使其对当前数据库符合要求的目标进行评分排序，得分最高的为搜索结果，具体为：
1)预处理目标级别查询：将每个目标(一个类别名或一幅图像中的感兴趣区域)视为查询问题，分别将类别名、图像或属性输送到支持向量机学习，其学习到的权重将作为评价分数，并且生成查询向量；
2)搜索区域：给定目标级别的查询向量，根据评价分数选择具有高分评价的目标，其中分数计算方式如下：①当查询问题为类别名和属性向量时，分数②当查询问题为图像中的感兴趣区域时，分数其中是训练权重，vq是问题向量；
3)目标级别的结果融合：对于每幅图像Ii，其所有区域评分中的最高分将作为该幅图像的分数，所有根据查询问题得到的分数将累加成为最终分数；
4)基于位置条件的筛选：位置条件通过交互界面进行实时限定。
多任务快速区域卷积神经网络特征，通过卷积神经网络所学习到的特征，将用于优化事件搜索、目标类别搜索和目标属性搜索三方面应用，具体串行或并行处理多任务的方式为：
1)叠加方式：全部任务按时间先后顺序进行串联处理；
2)联结方式：在预训练的网络中，各任务进行各自独立的卷积网络训练，然后将各自的输出特征合并，一起输入到全连接层；
3)融合方式：将卷积层分为两部分，首先各任务独立进行卷积网络训练，然后将各自的输出特征合并后，再经过一段卷积神经网络的训练，最后再输入到全连接层。
训练方式，首先对每个卷积神经网络进行单任务目标训练，得到各自独立的结构；使用联结方式和融合方式对上述独立结构进行训练，具体为，在每一次迭代过程，随机挑选一个任务，选取小批量的数据样本，通过全连接层计算其预测值与真实值之间的损失函数，再通过函数结果返回调整网络权值，从而完成一次迭代训练。
图2是本发明一种基于目标局部区域的图像检索方法的实例图，如图所示，在三个例子中，通过输入查询问题及限制位置条件，本发明方法可以很好地定位并检索出所需目标图像，即便有相似的障碍物(如中间图滑雪的狗旁边另外站着行人)，也不会产生误检，充分提高了检索的精确度。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于目标局部区域的图像检索方法，其特征在于，主要包括查询设定(一)；搜索过程(二)；训练方式(三)。
2.基于权利要求书1所述的查询设定(一)，其特征在于，根据用户输入自定义的文字描述待搜索的物体及其属性设定约束条件，具体共有3种方式：
1)根据待测物体在图像中所占比例大小，使用简易尺度条件描述物体宽度、两物体之间距离度；
2)使用交互界面，通过拖拽和缩放界面方框，锁定待测物体；
3)使用空间关系建议系统，根据初始化的查询及结果自动推断和建议相关的空间约束条件。
3.基于权利要求书2所述的空间关系建议系统，其特征在于，通过计算查询问题所对应的目标之间的空间关系，为筛选结果提供关键辅助信息，包括基于数据挖掘的建议和基于语言的建议。
4.基于权利要求书3所述的基于数据挖掘的建议，其特征在于，从初始化的搜索结果中，对于目标的空间关系进行典型模式的数据挖掘，具体为：
1)根据位置远近关系，使用k-均值聚类算法对区域目标进行聚类；
2)将聚类结果与查询问题进行映射匹配，通过交互界面重新获得所需目标位置。
5.基于权利要求书3所述的基于语言的建议，其特征在于，在筛选聚类中的目标时，使用一系列的位置关系约束条件，在保持召回率大于0.96的情况下，通过最小化每个区域目标通过这些约束条件所得到的虚警率，来得到这些约束条件的阈值。
6.基于权利要求书1所述的搜索过程(二)，其特征在于，包括制定数据库索引、制定搜索步骤。
7.基于权利要求书6所述的制定数据库索引，其特征在于，将图像分割成区域，提取基于局部区域的卷积神经网络特征，具体为：
1)提取特征：给定一个含有N幅图像的数据库，使用选择性搜索方法对每幅图像Ii(i＝1,…,N)提取ni(ni～2000)个不同的区域Ri,j(j＝1,…,ni)，将这些区域图像块通过卷积神经网络结构，得到多任务快速区域卷积神经网络特征；
2)特征索引：对所有提取到的区域特征，使用相似最近邻搜索方法，对其进行倒序排列和点积量化操作，每个特征会被压缩成128位的点积量化代码进行分类。
8.基于权利要求书6所述的制定搜索步骤，其特征在于，在查询阶段指定no个目标，使用4个步骤使其对当前数据库符合要求的目标进行评分排序，得分最高的为搜索结果，具体为：
1)预处理目标级别查询：将每个目标(一个类别名或一幅图像中的感兴趣区域)视为查询问题，分别将类别名、图像或属性输送到支持向量机学习，其学习到的权重将作为评价分数，并且生成查询向量；
2)搜索区域：给定目标级别的查询向量，根据评价分数选择具有高分评价的目标，其中分数计算方式如下：①当查询问题为类别名和属性向量时，分数②当查询问题为图像中的感兴趣区域时，分数其中是训练权重，vq是问题向量；
3)目标级别的结果融合：对于每幅图像Ii，其所有区域评分中的最高分将作为该幅图像的分数，所有根据查询问题得到的分数将累加成为最终分数；
4)基于位置条件的筛选：位置条件通过交互界面进行实时限定。
9.基于权利要求书7所述的多任务快速区域卷积神经网络特征，其特征在于，通过卷积神经网络所学习到的特征，将用于优化事件搜索、目标类别搜索和目标属性搜索三方面应用，具体串行或并行处理多任务的方式为：
1)叠加方式：全部任务按时间先后顺序进行串联处理；
2)联结方式：在预训练的网络中，各任务进行各自独立的卷积网络训练，然后将各自的输出特征合并，一起输入到全连接层；
3)融合方式：将卷积层分为两部分，首先各任务独立进行卷积网络训练，然后将各自的输出特征合并后，再经过一段卷积神经网络的训练，最后再输入到全连接层。
10.基于权利要求书1所述的训练方式(三)，其特征在于，首先对每个卷积神经网络进行单任务目标训练，得到各自独立的结构；使用联结方式和融合方式对上述独立结构进行训练，具体为，在每一次迭代过程，随机挑选一个任务，选取小批量的数据样本，通过全连接层计算其预测值与真实值之间的损失函数，再通过函数结果返回调整网络权值，从而完成一次迭代训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711207759.7A CN107766582A (zh) | 2017-11-27 | 2017-11-27 | 一种基于目标局部区域的图像检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711207759.7A CN107766582A (zh) | 2017-11-27 | 2017-11-27 | 一种基于目标局部区域的图像检索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107766582A true CN107766582A (zh) | 2018-03-06 |
Family
ID=61276299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711207759.7A Withdrawn CN107766582A (zh) | 2017-11-27 | 2017-11-27 | 一种基于目标局部区域的图像检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766582A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564571A (zh) * | 2018-03-30 | 2018-09-21 | 精锐视觉智能科技（深圳）有限公司 | 图像区域选取方法及终端设备 |
| CN109213886A (zh) * | 2018-08-09 | 2019-01-15 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及系统 |
| CN110413825A (zh) * | 2019-06-21 | 2019-11-05 | 东华大学 | 面向时尚电商的街拍推荐系统 |
| WO2019219083A1 (zh) * | 2018-05-18 | 2019-11-21 | 北京中科寒武纪科技有限公司 | 视频检索方法及视频检索映射关系生成方法、装置 |
| CN111061904A (zh) * | 2019-12-06 | 2020-04-24 | 武汉理工大学 | 一种基于图像内容识别的本地图片快速检测方法 |
| WO2020181793A1 (en) * | 2019-03-11 | 2020-09-17 | Boe Technology Group Co., Ltd. | Reverse image search method, apparatus and application system |
| CN113111249A (zh) * | 2021-03-16 | 2021-07-13 | 百度在线网络技术（北京）有限公司 | 搜索处理方法、装置、电子设备和存储介质 |
| CN113111248A (zh) * | 2021-03-16 | 2021-07-13 | 百度在线网络技术（北京）有限公司 | 搜索处理方法、装置、电子设备和存储介质 |
| CN113254687A (zh) * | 2021-06-28 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 图像检索、图像量化模型训练方法、装置和存储介质 |
| CN116993996A (zh) * | 2023-09-08 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 对图像中的对象进行检测的方法及装置 |
-
2017
- 2017-11-27 CN CN201711207759.7A patent/CN107766582A/zh not_active Withdrawn
Non-Patent Citations (1)
| Title |
|---|
| RYOTA HINAMI等: "Region-Based Image Retrieval Revisited", 《ARXIV(HTTPS://ARXIV.ORG/ABS/1709.09106V1）》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564571A (zh) * | 2018-03-30 | 2018-09-21 | 精锐视觉智能科技（深圳）有限公司 | 图像区域选取方法及终端设备 |
| WO2019219083A1 (zh) * | 2018-05-18 | 2019-11-21 | 北京中科寒武纪科技有限公司 | 视频检索方法及视频检索映射关系生成方法、装置 |
| US11995556B2 (en) | 2018-05-18 | 2024-05-28 | Cambricon Technologies Corporation Limited | Video retrieval method, and method and apparatus for generating video retrieval mapping relationship |
| CN109213886A (zh) * | 2018-08-09 | 2019-01-15 | 山东师范大学 | 基于图像分割和模糊模式识别的图像检索方法及系统 |
| WO2020181793A1 (en) * | 2019-03-11 | 2020-09-17 | Boe Technology Group Co., Ltd. | Reverse image search method, apparatus and application system |
| US11481432B2 (en) | 2019-03-11 | 2022-10-25 | Beijing Boe Technology Development Co., Ltd. | Reverse image search method, apparatus and application system |
| CN110413825B (zh) * | 2019-06-21 | 2023-12-01 | 东华大学 | 面向时尚电商的街拍推荐系统 |
| CN110413825A (zh) * | 2019-06-21 | 2019-11-05 | 东华大学 | 面向时尚电商的街拍推荐系统 |
| CN111061904A (zh) * | 2019-12-06 | 2020-04-24 | 武汉理工大学 | 一种基于图像内容识别的本地图片快速检测方法 |
| CN111061904B (zh) * | 2019-12-06 | 2023-04-18 | 武汉理工大学 | 一种基于图像内容识别的本地图片快速检测方法 |
| CN113111249A (zh) * | 2021-03-16 | 2021-07-13 | 百度在线网络技术（北京）有限公司 | 搜索处理方法、装置、电子设备和存储介质 |
| CN113111248A (zh) * | 2021-03-16 | 2021-07-13 | 百度在线网络技术（北京）有限公司 | 搜索处理方法、装置、电子设备和存储介质 |
| CN113254687A (zh) * | 2021-06-28 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 图像检索、图像量化模型训练方法、装置和存储介质 |
| CN113254687B (zh) * | 2021-06-28 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 图像检索、图像量化模型训练方法、装置和存储介质 |
| CN116993996A (zh) * | 2023-09-08 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 对图像中的对象进行检测的方法及装置 |
| CN116993996B (zh) * | 2023-09-08 | 2024-01-12 | 腾讯科技（深圳）有限公司 | 对图像中的对象进行检测的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766582A (zh) | 一种基于目标局部区域的图像检索方法 | |
| CN107368614B (zh) | 基于深度学习的图像检索方法及装置 | |
| Ocer et al. | Tree extraction from multi-scale UAV images using Mask R-CNN with FPN | |
| 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 | |
| CN104143005B (zh) | 一种相关搜索系统及方法 | |
| CN107273106A (zh) | 物体信息翻译、以及衍生信息获取方法和装置 | |
| CN104866557B (zh) | 一种基于建构学习理论的个性化即时学习支持系统与方法 | |
| CN106548164A (zh) | 人脸图像与移动设备的关联性识别方法 | |
| CN111062451B (zh) | 一种基于文本引导图模型的图像描述生成方法 | |
| CN107480178A (zh) | 一种基于图像与视频跨模态比对的行人重识别方法 | |
| CN111680176A (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
| CN110795571A (zh) | 基于深度学习和知识图谱的文化旅游资源推荐方法 | |
| CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
| Gao et al. | Object-based classification with features extracted by a semi-automatic feature extraction algorithm–SEaTH | |
| CN107436944A (zh) | 一种视频搜索的方法和系统 | |
| CN109308324A (zh) | 一种基于手绘风格推荐的图像检索方法及系统 | |
| US11915343B2 (en) | Color representations for textual phrases | |
| CN102053960B (zh) | 依群需特征构建物联互联双网快准搜索引擎的方法及系统 | |
| CN110147833A (zh) | 人像处理方法、装置、系统和可读存储介质 | |
| CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐系统 | |
| Puri | COCO dataset stuff segmentation challenge | |
| CN108897750A (zh) | 融合多元上下文信息的个性化地点推荐方法及设备 | |
| CN110119479A (zh) | 一种餐馆推荐方法、装置、设备及可读存储介质 | |
| CN107357845A (zh) | 一种基于Spark的旅游兴趣推荐系统及推荐方法 | |
| CN109272440A (zh) | 一种联合文本和图像内容的缩略图生成方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180306 |
|
| WW01 | Invention patent application withdrawn after publication |