CN107992893A - 压缩图像特征空间的方法及装置 - Google Patents
压缩图像特征空间的方法及装置 Download PDFInfo
- Publication number
- CN107992893A CN107992893A CN201711297247.4A CN201711297247A CN107992893A CN 107992893 A CN107992893 A CN 107992893A CN 201711297247 A CN201711297247 A CN 201711297247A CN 107992893 A CN107992893 A CN 107992893A
- Authority
- CN
- China
- Prior art keywords
- image
- msub
- sample
- pattern
- mapping matrix
- 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
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于压缩图像特征空间的方法及装置。该压缩图像特征空间的方法包括:获取至少两个图像样本的图像特征和图像类别;根据各图像样本的图像特征和图像类别,确定映射矩阵;根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。本公开能够在保证图像特征精确度的同时,压缩图像特征维度,减少特征存储空间,提高后期应用执行效率,有利于后期工业应用推广。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及压缩图像特征空间的方法及装置。
背景技术
图像分类是指根据图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。
相关技术中,当前图像分类主要聚焦于特征提取阶段,例如,卷积神经网络的深度特征提取,或者传统的手工特征构建等。
发明内容
为克服相关技术中存在的问题,本公开实施例提供一种压缩图像特征空间的方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种压缩图像特征空间的方法,包括:
获取至少两个图像样本的图像特征和图像类别;
根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
在一个实施例中,根据各所述图像样本的图像特征和图像类别,确定映射矩阵,包括:
根据各所述图像样本的图像特征和图像类别,依次针对各所述图像样本中的图像样本对,使用如下公式计算所述映射矩阵P:
其中,图像样本i及图像样本j为各所述图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
在一个实施例中,所述映射矩阵P的目标函数为:
在一个实施例中,根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征,包括:
分别计算各所述图像样本的图像特征与所述映射矩阵的乘积,将得到的乘积值确定为各所述图像样本的图像特征对应的投影特征。
在一个实施例中,所述图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
根据本公开实施例的第二方面,提供一种压缩图像特征空间的装置,包括:
获取模块,用于获取至少两个图像样本的图像特征和图像类别;
确定模块,用于根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
映射模块,用于根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
在一个实施例中,确定模块根据各所述图像样本的图像特征和图像类别,依次针对各所述图像样本中的图像样本对,使用如下公式计算所述映射矩阵P:
其中,图像样本i及图像样本j为各所述图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
在一个实施例中,所述映射矩阵P的目标函数为:
在一个实施例中,映射模块分别计算各所述图像样本的图像特征与所述映射矩阵的乘积,将得到的乘积值确定为各所述图像样本的图像特征对应的投影特征。
在一个实施例中,所述图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
根据本公开实施例的第三方面,提供一种压缩图像特征空间的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取至少两个图像样本的图像特征和图像类别;
根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述第一方面中任一项所述方法实施例的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:该技术方案通过使用映射矩阵将高维度图像特征映射至低维度投影特征,能够在保证图像特征精确度的同时,压缩图像特征维度,减少特征存储空间,提高后期应用执行效率,有利于后期工业应用推广。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的压缩图像特征空间的方法的流程图。
图2是根据一示例性实施例示出的压缩图像特征空间的装置的框图。
图3是根据一示例性实施例示出的压缩图像特征空间的装置的框图。
图4是根据一示例性实施例示出的压缩图像特征空间的装置的框图。
图5是根据一示例性实施例示出的压缩图像特征空间的装置的框图。
图6是根据一示例性实施例示出的压缩图像特征空间的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中,当前图像分类主要聚焦于特征提取阶段,例如,卷积神经网络的深度特征提取,或者传统的手工特征构建等。然而,无论是深度特征还是手工特征,作为建模中间过程都存在着特征存储高维冗余的问题,这会严重影响后期应用执行效率,不利于后期工业应用推广。
为了解决上述问题,本公开实施例提供了一种压缩图像特征空间的方法,包括:获取至少两个图像样本的图像特征和图像类别;根据各图像样本的图像特征和图像类别,确定映射矩阵;根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。上述技术方案通过使用映射矩阵将高维度图像特征映射至低维度投影特征,能够在保证图像特征精确度的同时,压缩图像特征维度,减少特征存储空间,提高后期应用执行效率,有利于后期工业应用推广。
基于上述分析,提出以下各具体实施例。
图1是根据一示例性实施例示出的一种压缩图像特征空间的方法的流程图;如图1所示,该方法包括以下步骤101-103:
在步骤101中,获取至少两个图像样本的图像特征和图像类别。
示例的,该方法的执行主体可以为终端;终端例如是智能手机、平板电脑、台式机、或服务器等。针对至少两个图像样本,采用特征提取技术分别提取各个图像样本的图像特征,并获取各个图像样本的图像类别。例如,采用卷积神经网络提取的深度特征,或者传统的手工特征构建的手工特征。图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
在步骤102中,根据各图像样本的图像特征和图像类别,确定映射矩阵。
示例的,图像特征通常是以特征向量或矩阵的形式进行存储,即f=[φ1,φ2,φ3,...,φk]。假设,高维度图像特征向量f∈Rm;根据各图像样本的图像特征和图像类别,依次针对各图像样本中的图像样本对,使用如下公式(1)及公式(2)计算映射矩阵P:
其中,图像样本i及图像样本j为各图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。每一次迭代,从各图像样本中选择一对图像样本,并更新映射矩阵。各图像样本中不同图像类别的比例基本相同。
需要说明的是,PTP∈Rm×m是马氏度量空间中定义矩阵,通过因式分解马氏度量矩阵PTP得到值为n的秩,其远小于满秩m。因而,学习线性映射矩阵P其实是学习低秩矩阵PTP。可以采用最小梯度法求出公式(2)的最优解。示例的,用于优化映射矩阵P的目标函数为:
在步骤103中,根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。
示例的,分别计算各图像样本的图像特征与映射矩阵的乘积,将得到的乘积值确定为各图像样本的图像特征对应的投影特征。
示例的,通过学习一个线性映射矩阵P∈Rn×m,n<<m,利用投影矩阵转换图像特征,将高维度图像特征向量f∈Rm映射至低维度Pf∈Rn。通过寻找一个映射变换将每一个图像特征fi压缩至低维度子空间内,投影后图像特征之间的欧式距离即为原始空间中的马氏距离,即在n维投影空间里,图像特征之间的欧式距离对应原始m维空间的低秩马氏距离。
本公开的实施例提供的技术方案,通过使用映射矩阵将高维度图像特征映射至低维度投影特征,能够在保证图像特征精确度的同时,压缩图像特征维度,减少特征存储空间,提高后期应用执行效率,有利于后期工业应用推广。
图2是根据一示例性实施例示出的一种压缩图像特征空间的方法的流程图;如图2所示,在图1所示实施例的基础上,本公开涉及的压缩图像特征空间的方法包括以下步骤201-203:
在步骤201中,获取至少两个图像样本的图像特征和图像类别。
示例的,图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
在步骤202中,根据各图像样本的图像特征和图像类别,确定映射矩阵。
需要说明的是,对步骤201-步骤202的说明可以参见图1所示实施例中对步骤101-步骤102的说明,在此不再赘述。
在步骤203中,分别计算各图像样本的图像特征与映射矩阵的乘积,将得到的乘积值确定为各图像样本的图像特征对应的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。
本公开的实施例提供的技术方案,利用投影矩阵转换图像特征,对图像特征进行映射变换,在保证特征精确度的同时减少特征维度,减少图像特征存储空间。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图3是根据一示例性实施例示出的一种压缩图像特征空间的装置的框图;该装置可以采用各种方式来实施,例如在终端中实施装置的全部组件,或者,在终端侧以耦合的方式实施装置中的组件;该装置可以通过软件、硬件或者两者的结合实现上述本公开涉及的方法,如图3所示,该压缩图像特征空间的装置包括:获取模块301、确定模块302及映射模块303,其中:
获取模块301被配置为获取至少两个图像样本的图像特征和图像类别;
确定模块302被配置为根据各图像样本的图像特征和图像类别,确定映射矩阵;
映射模块303被配置为根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。
本公开实施例提供的装置能够用于执行图1所示实施例的技术方案,其执行方式和有益效果类似,此处不再赘述。
在一种可能的实施方式中,确定模块302根据各图像样本的图像特征和图像类别,依次针对各图像样本中的图像样本对,使用如下公式计算映射矩阵P:
其中,图像样本i及图像样本j为各图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
在一种可能的实施方式中,映射矩阵P的目标函数为:
在一种可能的实施方式中,映射模块303分别计算各图像样本的图像特征与映射矩阵的乘积,将得到的乘积值确定为各图像样本的图像特征对应的投影特征。
在一种可能的实施方式中,图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
图4是根据一示例性实施例示出的一种压缩图像特征空间的装置的框图,压缩图像特征空间的装置可以采用各种方式来实施,例如在终端中实施装置的全部组件,或者,在终端侧以耦合的方式实施装置中的组件;参见图4,压缩图像特征空间的装置400包括:
处理器401;
用于存储处理器可执行指令的存储器402;
其中,处理器401被配置为:
获取至少两个图像样本的图像特征和图像类别;
根据各图像样本的图像特征和图像类别,确定映射矩阵;
根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。
在一个实施例中,上述处理器401还可被配置为:
根据各图像样本的图像特征和图像类别,依次针对各图像样本中的图像样本对,使用如下公式计算映射矩阵P:
其中,图像样本i及图像样本j为各图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
在一个实施例中,映射矩阵P的目标函数为:
在一个实施例中,上述处理器401还可被配置为:分别计算各图像样本的图像特征与映射矩阵的乘积,将得到的乘积值确定为各图像样本的图像特征对应的投影特征。
在一个实施例中,图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种压缩图像特征空间的装置的框图。例如,装置500可以是终端,例如移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备或健身设备等。
参照图5,装置500可以包括以下一个或多个组件:处理组件502,存储器504,电源组件506,多媒体组件508,音频组件510,输入/输出(I/O)接口512,传感器组件514,以及通信组件516。
处理组件502通常控制装置500的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理组件502可以包括多媒体模块,以方便多媒体组件505和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统,一个或多个电源,及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在该装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。该触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与该触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如,音频组件510包括一个麦克风(MIC),当装置500处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中,音频组件510还包括一个扬声器,用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器,用于为装置500提供各个方面的状态评估。例如,传感器组件514可以检测到装置500的打开/关闭状态,组件的相对定位,例如该组件为装置500的显示器和小键盘,传感器组件514还可以检测装置500或装置500一个组件的位置改变,用户与装置500接触的存在或不存在,装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件514还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,该通信组件516还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由装置500的处理器520执行以完成上述方法。例如,该非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是根据一示例性实施例示出的一种压缩图像特征空间的装置的框图。例如,装置600可以被提供为一服务器。装置600包括处理组件602,其进一步包括一个或多个处理器,以及由存储器603所代表的存储器资源,用于存储可由处理组件602的执行的指令,例如应用程序。存储器603中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件602被配置为执行指令,以执行上述方法。
装置600还可以包括一个电源组件606被配置为执行压缩图像特征空间的装置600的电源管理,一个有线或无线网络接口605被配置为将压缩图像特征空间的装置600连接到网络,和一个输入输出(I/O)接口608。装置600可以操作基于存储在存储器603的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
一种非临时性计算机可读存储介质,当存储介质中的指令由装置500或装置600的处理器执行时,使得装置500或装置600能够执行如下压缩图像特征空间的方法,方法包括:
获取至少两个图像样本的图像特征和图像类别;
根据各图像样本的图像特征和图像类别,确定映射矩阵;
根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征;其中,各图像样本的投影特征的空间维度小于各图像样本的图像特征的空间维度。
在一个实施例中,根据各图像样本的图像特征和图像类别,确定映射矩阵,包括:
根据各图像样本的图像特征和图像类别,依次针对各图像样本中的图像样本对,使用如下公式计算映射矩阵P:
其中,图像样本i及图像样本j为各图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
在一个实施例中,映射矩阵P的目标函数为:
在一个实施例中,根据映射矩阵分别对各图像样本的图像特征进行映射变换,得到各图像样本的投影特征,包括:
分别计算各图像样本的图像特征与映射矩阵的乘积,将得到的乘积值确定为各图像样本的图像特征对应的投影特征。
在一个实施例中,图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种压缩图像特征空间的方法,其特征在于,包括:
获取至少两个图像样本的图像特征和图像类别;
根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
2.根据权利要求1所述的方法,其特征在于,根据各所述图像样本的图像特征和图像类别,确定映射矩阵,包括:
根据各所述图像样本的图像特征和图像类别,依次针对各所述图像样本中的图像样本对,使用如下公式计算所述映射矩阵P:
<mrow>
<msubsup>
<mi>F</mi>
<mi>P</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>P</mi>
<mi>T</mi>
</msup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,图像样本i及图像样本j为各所述图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
3.根据权利要求2所述的方法,其特征在于,所述映射矩阵P的目标函数为:
4.根据权利要求1所述的方法,其特征在于,根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征,包括:
分别计算各所述图像样本的图像特征与所述映射矩阵的乘积,将得到的乘积值确定为各所述图像样本的图像特征对应的投影特征。
5.根据权利要求1所述的方法,其特征在于,所述图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
6.一种压缩图像特征空间的装置,其特征在于,包括:
获取模块,用于获取至少两个图像样本的图像特征和图像类别;
确定模块,用于根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
映射模块,用于根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
7.根据权利要求6所述的装置,其特征在于,确定模块根据各所述图像样本的图像特征和图像类别,依次针对各所述图像样本中的图像样本对,使用如下公式计算所述映射矩阵P:
<mrow>
<msubsup>
<mi>F</mi>
<mi>P</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>P</mi>
<mi>T</mi>
</msup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,图像样本i及图像样本j为各所述图像样本中的任一个图像样本对;fi为图像样本i的图像特征,fj为图像样本j的图像特征;FP(fi,fj)为使用最近一次更新的映射矩阵P分别对图像特征fi与图像特征fj进行映射后得到的投影特征之间的欧式距离;t为迭代次数;T为临界阈值;εij为特征外积,εij=(fi-fj)T(fi-fj);lij为类别系数,若图像样本i和j的图像类别相同则lij取值为1,若图像样本i和j的图像类别不相同则lij取值为-1;а为函数学习率。
8.根据权利要求7所述的装置,其特征在于,所述映射矩阵P的目标函数为:
9.根据权利要求6所述的装置,其特征在于,映射模块分别计算各所述图像样本的图像特征与所述映射矩阵的乘积,将得到的乘积值确定为各所述图像样本的图像特征对应的投影特征。
10.根据权利要求6所述的装置,其特征在于,所述图像特征至少包括以下任一种类型或组合:深度特征、或手工特征。
11.一种压缩图像特征空间的装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取至少两个图像样本的图像特征和图像类别;
根据各所述图像样本的图像特征和图像类别,确定映射矩阵;
根据所述映射矩阵分别对各所述图像样本的图像特征进行映射变换,得到各所述图像样本的投影特征;其中,各所述图像样本的投影特征的空间维度小于各所述图像样本的图像特征的空间维度。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297247.4A CN107992893B (zh) | 2017-12-08 | 2017-12-08 | 压缩图像特征空间的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711297247.4A CN107992893B (zh) | 2017-12-08 | 2017-12-08 | 压缩图像特征空间的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992893A true CN107992893A (zh) | 2018-05-04 |
CN107992893B CN107992893B (zh) | 2022-01-04 |
Family
ID=62035828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711297247.4A Active CN107992893B (zh) | 2017-12-08 | 2017-12-08 | 压缩图像特征空间的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992893B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766992A (zh) * | 2018-12-06 | 2019-05-17 | 北京工业大学 | 基于深度学习的工控异常检测及攻击分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763514A (zh) * | 2010-01-15 | 2010-06-30 | 西安电子科技大学 | 基于特征重要度排序谱聚类的图像分割方法 |
US20130129202A1 (en) * | 2011-11-21 | 2013-05-23 | Nec Laboratories America, Inc. | Large-scale strongly supervised ensemble metric learning |
CN104077610A (zh) * | 2014-07-10 | 2014-10-01 | 电子科技大学 | 二维非线性投影特征的sar图像目标识别的方法 |
CN105469063A (zh) * | 2015-12-04 | 2016-04-06 | 苏州大学 | 鲁棒的人脸图像主成分特征提取方法及识别装置 |
US20160283804A1 (en) * | 2014-04-10 | 2016-09-29 | Google Inc. | Image and Video Compression for Remote Vehicle Assistance |
-
2017
- 2017-12-08 CN CN201711297247.4A patent/CN107992893B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763514A (zh) * | 2010-01-15 | 2010-06-30 | 西安电子科技大学 | 基于特征重要度排序谱聚类的图像分割方法 |
US20130129202A1 (en) * | 2011-11-21 | 2013-05-23 | Nec Laboratories America, Inc. | Large-scale strongly supervised ensemble metric learning |
US20160283804A1 (en) * | 2014-04-10 | 2016-09-29 | Google Inc. | Image and Video Compression for Remote Vehicle Assistance |
CN104077610A (zh) * | 2014-07-10 | 2014-10-01 | 电子科技大学 | 二维非线性投影特征的sar图像目标识别的方法 |
CN105469063A (zh) * | 2015-12-04 | 2016-04-06 | 苏州大学 | 鲁棒的人脸图像主成分特征提取方法及识别装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766992A (zh) * | 2018-12-06 | 2019-05-17 | 北京工业大学 | 基于深度学习的工控异常检测及攻击分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107992893B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11513608B2 (en) | Apparatus, method and recording medium for controlling user interface using input image | |
WO2021135601A1 (zh) | 辅助拍照方法、装置、终端设备及存储介质 | |
KR101906827B1 (ko) | 연속 사진 촬영 장치 및 방법 | |
CN104700353B (zh) | 图像滤镜生成方法及装置 | |
CN110516745A (zh) | 图像识别模型的训练方法、装置及电子设备 | |
CN104636140B (zh) | 固件压缩方法、固件解压方法和装置 | |
CN104156947A (zh) | 图像分割方法、装置及设备 | |
CN104636164B (zh) | 启动页面生成方法及装置 | |
CN104461348B (zh) | 信息选取方法及装置 | |
WO2019015573A1 (zh) | 解锁控制方法及相关产品 | |
CN104636453A (zh) | 非法用户资料识别方法及装置 | |
CN108958503A (zh) | 输入方法和装置 | |
CN109992176A (zh) | 一种信息识别码的扫描方法和装置 | |
CN104077563A (zh) | 人脸识别方法和装置 | |
CN109918565A (zh) | 一种搜索数据的处理方法、装置及电子设备 | |
CN110059547A (zh) | 目标检测方法及装置 | |
CN109388699A (zh) | 输入方法、装置、设备及存储介质 | |
CN105513101B (zh) | 图片处理方法及装置 | |
CN104268149A (zh) | 聚类方法及装置 | |
CN108804684A (zh) | 一种数据处理方法和装置 | |
CN110019907A (zh) | 一种图像检索方法及装置 | |
CN107993192A (zh) | 证件图像校正方法、装置和设备 | |
CN108108213A (zh) | 指令集执行方法及装置 | |
CN107992893A (zh) | 压缩图像特征空间的方法及装置 | |
CN113642551A (zh) | 指甲关键点检测方法、装置、电子设备及存储介质 |
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 |