CN108427729A - 一种基于深度残差网络与哈希编码的大规模图片检索方法 - Google Patents
一种基于深度残差网络与哈希编码的大规模图片检索方法 Download PDFInfo
- Publication number
- CN108427729A CN108427729A CN201810154817.2A CN201810154817A CN108427729A CN 108427729 A CN108427729 A CN 108427729A CN 201810154817 A CN201810154817 A CN 201810154817A CN 108427729 A CN108427729 A CN 108427729A
- Authority
- CN
- China
- Prior art keywords
- network
- hash
- residual error
- depth residual
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims abstract description 4
- 238000000576 coating method Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于深度残差网络与哈希编码的大规模图片检索方法,包括以下步骤:步骤一、深度残差网络构建;步骤二、哈希网络构建,过程如下:步骤2.1:哈希网络由三层全连接层构成;步骤2.2:每层全连接层后面接tanh激活函数;步骤2.3:根据损失函数计算梯度反响传播反馈到网络中;步骤三、深度残差网络训练,过程如下:步骤3.1:将数据分为训练数据集T和测试数据集V;步骤3.2:训练深度残差网路;步骤3.3:训练哈希网络;步骤四、图片检索与精度测试;经过上述步骤的操作,即可实现对图片的检索。本发明提供一种精度较高、检索效率较高的基于深度残差网络与哈希编码的大规模图像检索方法。
Description
技术领域
本发明涉及计算机视觉领域的图片大数据处理与分析,特别涉及一种基于深度残差网络与哈希编码的大规模图片检索方法,属于基于内容的图像检索领域。
背景技术
随着网络共享技术的发展,网络上有越来越多的图片能够被实时分享和接收。基于内容的图片检索技术在图片处理过程中占据了一个很重要的部分。近些年随着深度学习方法的快速发展,得益于深度特征对图像内容的精确表达,基于内容的图像检索技术性能有很大程度的提升。但是由于图像数据较一般文本数据大,当图像数据的规模达到一定程度时,将明显增加图像检索的难度,也使提高检索的精度变得更为困难。
发明内容
为了克服现有图像检索技术存在的精度低、检索效率低下的不足,本发明提供一种精度较高、检索效率较高的基于深度残差网络与哈希编码的大规模图像检索方法,利用深度残差网络提取出图像的深层特征,再使用哈希网络将其转变为哈希值,检索时使用哈希值进行检索。
本发明解决其技术问题所采用的技术方案是:
一种基于深度残差网络与哈希编码的大规模图片检索方法,包括以下步骤:
步骤一、深度残差网络构建,过程如下:
步骤1.1:深度残差网络由若干个块、池化层与全连接层组成,每个块包括批标准化层、卷积层和ReLu激活层;
步骤1.2:每个块以批标准化层、卷积层、ReLu激活层的顺序并接着重复一次而组成;
步骤1.3:每个块的输入与该块的计算结果相加作为下一个块的输入;
步骤1.4:最后一个块后面连接一个平均池化层;
步骤1.5:池化层后连接一个全连接层;
步骤1.6:连接层后接相似性得分函数;
步骤1.7:把计算出的相似性得分反向传播反馈到网络中;
步骤二、哈希网络构建,过程如下:
步骤2.1:哈希网络由三层全连接层构成;
步骤2.2:每层全连接层后面接tanh激活函数;
步骤2.3:根据损失函数计算梯度反响传播反馈到网络中;
步骤三、深度残差网络训练,过程如下:
步骤3.1:将数据分为训练数据集T和测试数据集V;
步骤3.2:训练深度残差网路,过程如下:
步骤3.2.1:随机初始化神经网络权值W,初始化偏差b;
步骤3.2.2:将训练数据集T图片进行归一化处理后分批输入到网络中;
步骤3.2.3:根据网络输出的结果,用反向传播以随机梯度下降法的方式计算出每一层的梯度;
步骤3.2.4:将权值减去梯度得到新的权值,并输入进下一批训练集数据继续进行训练;
步骤3.2.5:用测试数据集V测试网络的精度;
步骤3.3:训练哈希网络,过程如下:
步骤3.3.1:初始化哈希网络权值W和偏差b;
步骤3.3.2:将深度残差网络中平均池化层得到的结果作为每一张图片的特征向量提取出来,并用PCA的方式降维到合适维度;
步骤3.3.3:将得到的特征数据集分为问数据集Q、待检索数据集D两部分,并取待检索数据集D中的一部分数据组成训练数据集P;
步骤3.3.4:将训练数据集P输入到哈希网络中;
步骤3.3.5:根据损失函数与哈希函数计算出每一层的梯度,使用批量梯度下降算法最小化损失函数。
步骤四、图片检索与精度测试,过程如下:
步骤4.1:将图片数据输入到深度残差网络中得到特征向量;
步骤4.2:将特征向量输入到哈希网络中,用符号函数将哈希网络输出的值转化为哈希值;
步骤4.3:计算待查数据集D与Q中每一个查询的哈希值的汉明距离,并按照汉明距离从小到大进行排序作为每一个查询的结果;
步骤4.4:比较问询图片的标签和查询结果的对应图片的标签,根据信息检索中的评价准则计算所有问询图片的平均准确率;
经过上述步骤的操作,即可实现对图片的检索。
本发明的有益效果主要表现在:本发明提出一种基于深度残差网络与哈希的大规模图片检索方法。将图片数据经过深度残差网络和哈希网络处理之后,最后转化为二值的哈希码,再将得到的二值码作为原图片的替代来进行查询,不仅使检索变得方便快速,更由于深度学习在提取图片特征的巨大优势获得了较高的精度。
附图说明
图1是基于深度残差网络与哈希的大规模图片检索方法框架示意图。。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于深度残差网络与哈希的大规模图片检索方法,包括深度残差网络构建、哈希网络构建、网络训练和图片检索与精度测试四个过程。
本实施案例中的图片分为10类,每类图片有60000张。图片检索方法流程如图1所示,整体过程包括深度残差网络构建、哈希网络构建、网络训练和图片检索与精度测试四个过程。
所述基于深度残差网络与哈希的大规模图片检索方法包括以下步骤:
步骤一、深度残差网络构建,过程如下:
步骤1.1:深度残差网络由两个块、池化层与全连接层组成,每个块包括批标准化层、卷积层和ReLu激活层;
步骤1.2:每个块以批标准化层、卷积层、ReLu激活层的顺序并接着重复一次而组成,第一个块的每个卷积层用3x3的卷积核和32个过滤器组成,第二个块的每个卷积层用3x3的卷积核和64个过滤器组成;
步骤1.3:每个块的输入与该块的计算结果相加作为下一个块的输入;
步骤1.4:最后一个块后面连接一个平均池化层,池化的核大小为6x6步长为1;
步骤1.5:池化层后连接一个全连接层,神经元的个数为类别数,即10;
步骤1.6:连接层后接相似性得分函数;
步骤1.7:把计算出的相似性得分反向传播反馈到网络中;
步骤二、哈希网络构建,过程如下:
步骤2.1:哈希网络由三层全连接层构成,神经元数量分别为120、80、64;
步骤2.2:每层全连接层后面接tanh激活函数;
步骤2.3:根据损失函数计算梯度反响传播反馈到网络中;
步骤三、深度残差网络训练,过程如下:
步骤3.1:将数据分为训练数据集T和测试数据集V,训练数据集T包含50000张图片,其中每类5000张,测试数据集V包含10000张图片,其中每类1000张;
步骤3.2:训练深度残差网路,过程如下:
步骤3.2.1:随机初始化神经网络权值W,将偏差b初始化为零;
步骤3.2.2:将训练数据集T图片进行归一化处理后分批输入到网络中,每批128张;
步骤3.2.3:根据网络输出的结果,使用ADAM算法,用反向传播以随机梯度下降法的方式计算出每一层的梯度;
步骤3.2.4:将权值减去梯度得到新的权值W和偏差b,并输入进下一批训练集数据继续进行训练,整个训练集重复使用迭代50次;
步骤3.2.5:用测试数据集V测试网络的精度;
步骤3.3:训练哈希网络,过程如下:
步骤3.3.1:初始化哈希网络权值W,将权值在负的神经元数量分之一至正的神经元数量分之一之间取均匀分布进行,将偏差b初始化为零;
步骤3.3.2:将深度残差网络中平均池化层得到的结果作为每一张图片的特征向量提取出来,并用PCA的方式降维到200维;
步骤3.3.3:将得到的特征数据集分为问询数据集Q、待检索数据集D两部分,并取待检索数据集D中的一部分数据组成训练数据集P,Q包含1000张图片,其中每类100张,D包含59000张图片,其中每类4900张,P为D的子集包含5000张图片,其中每类500张;
步骤3.3.4:将训练数据集P输入到哈希网络中进行训练;
步骤3.3.5:根据损失函数与哈希函数计算出每一层的梯度,使用批量梯度下降算法最小化损失函数。
步骤四、图片检索与精度测试,过程如下:
步骤4.1:将问询数据集Q和待检索数据集D输入到深度残差网络中得到特征向量Q’和D’;
步骤4.2:将特征向量Q’和D’输入到哈希网络中,用符号函数将哈希网络输出的值转化为哈希值Q”和D”;
步骤4.3:计算待查数据集D”与Q”中每一个查询的哈希值的汉明距离,并将按照汉明距离从小到大进行排序作为每一个查询的结果;
步骤4.4:比较问询图片的标签和查询结果的对应图片的标签,根据信息检索中的评价准则计算所有问询图片的平均准确率,输出计算结果;
经过上述步骤的操作,即可实现基于深度残差网络与哈希编码的大规模图片检索方法,实现对图像的检索。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度残差网络与哈希编码的大规模图片检索方法,其特征在于,所述方法包括以下步骤:
步骤一、深度残差网络构建,过程如下:
步骤1.1:深度残差网络由若干个块、池化层与全连接层组成,每个块包括批标准化层、卷积层和ReLu激活层;
步骤1.2:每个块以批标准化层、卷积层、ReLu激活层的顺序并接着重复一次而组成;
步骤1.3:每个块的输入与该块的计算结果相加作为下一个块的输入;
步骤1.4:最后一个块后面连接一个平均池化层;
步骤1.5:池化层后连接一个全连接层;
步骤1.6:连接层后接相似性得分函数;
步骤1.7:把计算出的相似性得分反向传播反馈到网络中;
步骤二、哈希网络构建,过程如下:
步骤2.1:哈希网络由三层全连接层构成;
步骤2.2:每层全连接层后面接tanh激活函数;
步骤2.3:根据损失函数计算梯度反响传播反馈到网络中;
步骤三、深度残差网络训练,过程如下:
步骤3.1:将数据分为训练数据集T和测试数据集V;
步骤3.2:训练深度残差网路;
步骤3.3:训练哈希网络;
步骤四、图片检索与精度测试,过程如下:
步骤4.1:将图片数据输入到深度残差网络中得到特征向量;
步骤4.2:将特征向量输入到哈希网络中,用符号函数将哈希网络输出的值转化为哈希值;
步骤4.3:计算待查数据集D与Q中每一个查询的哈希值的汉明距离,并按照汉明距离从小到大进行排序作为每一个查询的结果;
步骤4.4:比较问询图片的标签和查询结果的对应图片的标签,根据信息检索中的评价准则计算所有问询图片的平均准确率;
经过上述步骤的操作,即可实现对图片的检索。
2.如权利要求1所述的一种基于深度残差网络与哈希编码的大规模图片检索方法,其特征在于,所述步骤3.2中,训练深度残差网路的过程如下:
步骤3.2.1:随机初始化神经网络权值W,初始化偏差b;
步骤3.2.2:将训练数据集T图片进行归一化处理后分批输入到网络中;
步骤3.2.3:根据网络输出的结果,用反向传播以随机梯度下降法的方式计算出每一层的梯度;
步骤3.2.4:将权值减去梯度得到新的权值,并输入进下一批训练集数据继续进行训练;
步骤3.2.5:用测试数据集V测试网络的精度。
3.如权利要求1或2所述的一种基于深度残差网络与哈希编码的大规模图片检索方法,其特征在于,所述步骤3.3中,训练哈希网络的过程如下:
步骤3.3.1:初始化哈希网络权值W和偏差b;
步骤3.3.2:将深度残差网络中平均池化层得到的结果作为每一张图片的特征向量提取出来,并用PCA的方式降维到合适维度;
步骤3.3.3:将得到的特征数据集分为问数据集Q、待检索数据集D两部分,并取待检索数据集D中的一部分数据组成训练数据集P;
步骤3.3.4:将训练数据集P输入到哈希网络中;
步骤3.3.5:根据损失函数与哈希函数计算出每一层的梯度,使用批量梯度下降算法最小化损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810154817.2A CN108427729A (zh) | 2018-02-23 | 2018-02-23 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810154817.2A CN108427729A (zh) | 2018-02-23 | 2018-02-23 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108427729A true CN108427729A (zh) | 2018-08-21 |
Family
ID=63157089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810154817.2A Pending CN108427729A (zh) | 2018-02-23 | 2018-02-23 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427729A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472319A (zh) * | 2018-11-28 | 2019-03-15 | 佛山科学技术学院 | 一种三维模型分类方法以及检索方法 |
CN109557487A (zh) * | 2018-11-28 | 2019-04-02 | 厦门大学 | 基于残差网络的磁共振信号的时频变换和相位校正的方法 |
CN109766469A (zh) * | 2018-12-14 | 2019-05-17 | 浙江工业大学 | 一种基于深度哈希学习优化的图像检索方法 |
CN110200598A (zh) * | 2019-06-12 | 2019-09-06 | 天津大学 | 一种大型养殖场体征异常禽类检测系统及检测方法 |
CN110245249A (zh) * | 2019-05-15 | 2019-09-17 | 西安交通大学 | 一种基于双层深度残差网络的三维cad模型智能检索方法 |
CN110275972A (zh) * | 2019-06-17 | 2019-09-24 | 浙江工业大学 | 一种引入对抗训练的基于内容的实例检索方法 |
CN110430424A (zh) * | 2019-07-03 | 2019-11-08 | 北京达佳互联信息技术有限公司 | Fov的测试方法、装置、存储介质及电子设备 |
CN111506761A (zh) * | 2020-04-22 | 2020-08-07 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111522975A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种基于等价连续变化二值离散优化的非线性哈希图像检索方法 |
CN111614665A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 一种基于深度残差哈希网络的入侵检测方法 |
CN111930980A (zh) * | 2020-08-21 | 2020-11-13 | 深圳市升幂科技有限公司 | 图像检索模型的训练方法及图像检索方法、装置、及介质 |
CN112818859A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于深度哈希的多级检索行人重识别方法 |
Citations (4)
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 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107092661A (zh) * | 2017-03-28 | 2017-08-25 | 桂林明辉信息科技有限公司 | 一种基于深度卷积神经网络的图像检索方法 |
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
-
2018
- 2018-02-23 CN CN201810154817.2A patent/CN108427729A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
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 |
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107092661A (zh) * | 2017-03-28 | 2017-08-25 | 桂林明辉信息科技有限公司 | 一种基于深度卷积神经网络的图像检索方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557487A (zh) * | 2018-11-28 | 2019-04-02 | 厦门大学 | 基于残差网络的磁共振信号的时频变换和相位校正的方法 |
CN109472319B (zh) * | 2018-11-28 | 2021-08-31 | 佛山科学技术学院 | 一种三维模型分类方法以及检索方法 |
CN109472319A (zh) * | 2018-11-28 | 2019-03-15 | 佛山科学技术学院 | 一种三维模型分类方法以及检索方法 |
CN109766469B (zh) * | 2018-12-14 | 2020-12-01 | 浙江工业大学 | 一种基于深度哈希学习优化的图像检索方法 |
CN109766469A (zh) * | 2018-12-14 | 2019-05-17 | 浙江工业大学 | 一种基于深度哈希学习优化的图像检索方法 |
CN110245249A (zh) * | 2019-05-15 | 2019-09-17 | 西安交通大学 | 一种基于双层深度残差网络的三维cad模型智能检索方法 |
CN110245249B (zh) * | 2019-05-15 | 2021-08-13 | 西安交通大学 | 一种基于双层深度残差网络的三维cad模型智能检索方法 |
CN110200598A (zh) * | 2019-06-12 | 2019-09-06 | 天津大学 | 一种大型养殖场体征异常禽类检测系统及检测方法 |
CN110275972A (zh) * | 2019-06-17 | 2019-09-24 | 浙江工业大学 | 一种引入对抗训练的基于内容的实例检索方法 |
CN110430424B (zh) * | 2019-07-03 | 2020-12-04 | 北京达佳互联信息技术有限公司 | Fov的测试方法、装置、存储介质及电子设备 |
CN110430424A (zh) * | 2019-07-03 | 2019-11-08 | 北京达佳互联信息技术有限公司 | Fov的测试方法、装置、存储介质及电子设备 |
CN111522975A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种基于等价连续变化二值离散优化的非线性哈希图像检索方法 |
CN111522975B (zh) * | 2020-03-10 | 2022-04-08 | 浙江工业大学 | 等价连续变化的二值离散优化的非线性哈希图像检索方法 |
CN111506761B (zh) * | 2020-04-22 | 2021-05-14 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111506761A (zh) * | 2020-04-22 | 2020-08-07 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111614665A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 一种基于深度残差哈希网络的入侵检测方法 |
CN111930980A (zh) * | 2020-08-21 | 2020-11-13 | 深圳市升幂科技有限公司 | 图像检索模型的训练方法及图像检索方法、装置、及介质 |
CN111930980B (zh) * | 2020-08-21 | 2023-07-07 | 深圳市升幂科技有限公司 | 图像检索模型的训练方法及图像检索方法、装置、及介质 |
CN112818859A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于深度哈希的多级检索行人重识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427729A (zh) | 一种基于深度残差网络与哈希编码的大规模图片检索方法 | |
CN110162593B (zh) | 一种搜索结果处理、相似度模型训练方法及装置 | |
CN110909164A (zh) | 一种基于卷积神经网络的文本增强语义分类方法及系统 | |
CN109558487A (zh) | 基于层次性多注意力网络的文档分类方法 | |
CN112084331A (zh) | 文本处理、模型训练方法、装置、计算机设备和存储介质 | |
WO2020073664A1 (zh) | 指代消解方法、电子装置及计算机可读存储介质 | |
CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
CN111753189A (zh) | 一种少样本跨模态哈希检索共同表征学习方法 | |
CN106021364A (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN108804677A (zh) | 结合多层级注意力机制的深度学习问题分类方法及系统 | |
CN109766469A (zh) | 一种基于深度哈希学习优化的图像检索方法 | |
CN110175221B (zh) | 利用词向量结合机器学习的垃圾短信识别方法 | |
CN110399895A (zh) | 图像识别的方法和装置 | |
CN104778283B (zh) | 一种基于微博的用户职业分类方法及系统 | |
CN112148831B (zh) | 图文混合检索方法、装置、存储介质、计算机设备 | |
US11373043B2 (en) | Technique for generating and utilizing virtual fingerprint representing text data | |
CN114372475A (zh) | 一种基于RoBERTa模型的网络舆情情感分析方法及系统 | |
CN113032613A (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN108563637A (zh) | 一种融合三元组知识库的句子实体补全方法 | |
CN104573726B (zh) | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 | |
CN104778272B (zh) | 一种基于区域挖掘和空间编码的图像位置估计方法 | |
CN113535949A (zh) | 基于图片和句子的多模态联合事件检测方法 | |
Meng et al. | Merged region based image retrieval | |
CN113076391A (zh) | 一种基于多层注意力机制的远程监督关系抽取方法 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |