CN108829692A - 一种基于卷积神经网络的花卉图像检索方法 - Google Patents

一种基于卷积神经网络的花卉图像检索方法 Download PDF

Info

Publication number
CN108829692A
CN108829692A CN201810312552.4A CN201810312552A CN108829692A CN 108829692 A CN108829692 A CN 108829692A CN 201810312552 A CN201810312552 A CN 201810312552A CN 108829692 A CN108829692 A CN 108829692A
Authority
CN
China
Prior art keywords
image
flowers
flowers image
vector
neural networks
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
Application number
CN201810312552.4A
Other languages
English (en)
Other versions
CN108829692B (zh
Inventor
邹腊梅
金留嘉
张松伟
李长峰
陈婷
李晓光
熊紫华
杨卫东
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810312552.4A priority Critical patent/CN108829692B/zh
Publication of CN108829692A publication Critical patent/CN108829692A/zh
Application granted granted Critical
Publication of CN108829692B publication Critical patent/CN108829692B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于卷积神经网络的花卉图像检索方法，包括：构建带有类别信息的花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强花卉图像数据集；构建基于VGG16的花卉分类深度卷积神经网络模型VGG‑F，其中，FC1、FC2和分类层的节点数分别为1024、256和花卉类别总数；通过模型VGG‑F的FC2分别提取待查询图像和花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，得到最相似的2N个花卉图像；分别计算待查询图像和得到的2N个花卉图像中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到最相似的N个花卉图像。本发明基于卷积神经网络，有效提高了花卉检索的准确率。

Description

一种基于卷积神经网络的花卉图像检索方法
技术领域
本发明属于图像处理、计算机视觉技术和模式识别的交叉领域，更具体地，涉及一种基于卷积神经网络的花卉图像检索方法。
背景技术
传统的花卉图像检索是基于文本的，用户通过输入花卉的名称进行检索。而由于花卉图像种类繁多、颜色形状多变，普通人难以准确认识和描述花卉图像，导致用户查询时输入的文本描述难以符合用户实际的查询需求。
基于内容的图像检索能有效地利用图像自身特征，减少用户的主观描述。近些年来以VGG为代表的卷积神经网络模型等在计算机视觉领域，如图像分类、目标识别等领域实现了较好的效果。而现有的基于VGG卷积神经网络模型的花卉图像检索方法仅使用形状、颜色、纹理、关键点等简单的图像低层特征，检索结果的准确率较低。基于SIFT(ScaleInvariant Feature)等关键点描述的特征，对光照、视角、尺度等变换有一定的鲁棒性，但是其计算复杂度大，且对于花卉图像描述能力有限。对于颜色特征，传统的颜色直方图统计只能反映图像的总体特征，只能够表达图像颜色信息，如图像全局颜色信息，但是无法描述其他信息，所以直接用于花卉检索时准确率比较低。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于卷积神经网络的花卉图像检索方法，其目的在于，结合花卉图像的深度学习特征和图像颜色特征对花卉图像进行相似性比较，以提高花卉图像检索的准确率。
为实现上述目的，本发明提供了一种基于卷积神经网络的花卉图像检索方法，包括如下步骤：
(1)构建带有类别信息的花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强花卉图像数据集，从而防止后续模型训练时过拟合；
(2)构建基于VGG16的花卉分类深度卷积神经网络模型VGG-F，并使用Adam优化算法优化模型VGG-F的参数的学习训练；模型VGG-F中，第一个全连接层(FC1)的节点数为1024个，第二个全连接层(FC2)的节点数为256个，分类层的节点数为花卉图像数据集中的花卉类别总数；
(3)通过模型VGG-F的第二个全连接层(FC2)分别提取待查询图像和花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，提取花卉图像数据集中与待查询图像最相似的2N个花卉图像作为初步检索结果；其中，N为正整数；
(4)分别计算待查询图像和初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，提取初步检索结果中与待查询图像最相似的N个花卉图像作为检索结果；检索结束。
进一步地，花卉图像数据集中，花卉类别总数Nc不超过100，以同时获得较高的检索准确率和训练准确率。
进一步地，检索结果中，所包含的花卉图像数量N的取值范围为：10＜N＜40，以保证在获得较高检索准确率的同时尽量节省存储空间。
进一步地，步骤(1)中，用于处理花卉图像以增强花卉图像数据集的随机图像变换方法包括：随机-10°～10°的旋转、-0.15～0.15倍最小图片边长的水平移位、-0.15～0.15倍最小图片边长的竖直移位、镜像对称变换或者其中两种或多种变换的组合，以及将花卉图像缩放到224×224大小。
进一步地，对于花卉图像，通常其颜色信息对人来说比较重要。且一般花卉图像中花卉位于图像的中心区域；为了充分利用花卉图像的颜色信息和空间分布先验信息，步骤(4)中，分别计算待查询图像和初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到检索结果，包括如下步骤：
(41)对于一个花卉图像，将其从RGB色彩空间转换到HSV色彩空间，并创建中心椭圆区域掩模图像M，所述掩模图像M的表达式为：
其中，(x,y)为掩模图像M的像素点位置坐标，w和h分别为掩模图像的宽度和高度；
(42)对于H、S、V三通道，分别统计18个桶(Bin)、10个桶(Bin)和4个桶(Bin)的像素灰度值直方图分布，也就是分别对三通道分别灰度级压缩后，统计灰度值分布；由于HSV通道范围分别是[0,179],[0,255],[0,255]，因此分别乘以18/180、10/256、4/256后再统计，计算公式如下：
其中，Hhist、Shist和Vhist分别为H、S、V三通道的中心区域灰度级压缩后的直方图分布向量，v是灰度级压缩后的灰度级，Hhist(v)、Shist(v)和Vhist(v)分别为H、S、V三通道中压缩后灰度级为v的像素在掩模区域内的个数，H(x,y)、S(x,y)和V(x,y)分别为掩模图像M中坐标位置为(x,y)的像素点的H值、S值和V值，[]代表条件，代表向下取整；
(43)分别对三个通道的直方图分布向量进行L2归一化，并分别乘以18、10和4后，将三个向量拼接为单一向量，然后对所得到的单一向量进行L2归一化，得到花卉图像的HSV颜色分布特征向量；
(44)分别对待查询图像和所述初步检索结果中的2N个花卉图像执行步骤(41)～(43)，得到各花卉图像的HSV颜色分布特征向量，并进行相似性比较，得到检索结果。
更进一步地，步骤(3)或者步骤(41)中，得到各花卉图像的特征向量或者HSV颜色分布特征向量后，进行相似性比较的方法为：分别对各花卉图像的特征向量或者HSV颜色分布特征向量进行L2归一化；将待查询图像的归一化向量与另一个花卉图像的归一化向量之间的余弦距离作为两个花卉图像的相似度，分别计算待查询图像与其余每一个花卉图像的相似度，然后根据相似度对待查询图像之外的所有花卉图像进行排序。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明所提供的基于卷积神经网络的花卉图像检索方法，首先构建带有类别信息的花卉图像数据集，然后构建基于VGG16的花卉分类深度卷积神经网络模型，并利用所构建的卷积神经网络模型提取花卉图像的特征向量，通过相似度比较得到初步检索结果，并进一步提取花卉图像的HSV颜色分布特征向量，通过比较得到最终检索结果。经过两次比较和筛选，有效提高了花卉图像检索的准确率。
(2)本发明所提供的基于卷积神经网络的花卉图像检索方法，在其优选方案里，计算花卉图像的HSV颜色分布特征向量时，先将花卉图像从RGB色彩空间转换到HSV色彩空间，并创建中心椭圆区域掩模图像，然后在此基础之上，对于H、S、V三通道，分别统计18个桶、10个桶和4个桶的像素灰度值直方图分布，并进一步进行L2归一化等操作，以得到花卉图像的HSV颜色分布特征向量。该方法充分利用了花卉图像的颜色信息和空间分布先验信息，进一步提高了花卉图像检索的准确率。
(3)本发明所提供的基于卷积神经网络的花卉图像检索方法，获得初步检索结果时，提取花卉图像数据集中与待查询图像最相似的2N个花卉图像，获得最终的检索结果时，仅提取初步检索结果中与带查询图像最相似的N个花卉图像，这在保证花卉图像检索准确率的同时提高了检索速度。
附图说明
图1为本发明实施例提供的基于卷积神经网络的花卉图像检索方法流程图；
图2为本发明实施例提供的花卉分类网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于卷积神经网络的花卉图像检索方法。将已标定的花卉数据集随机变换增加数据量，用来训练花卉深度卷积分类神经网络。对待查询花卉图像和数据库图像经过预处理后，使用神经网络第二个全连接层提取花卉特征向量。对花卉特征向量进行相似性比较后得到最相似的前2N个图像。并对检索图像和得到的2N个图像在HSV色彩空间中对中心椭圆区域提取各通道直方图分布，构成其颜色特征。使用颜色特征对2N个图像进行相似性度量，筛选出颜色最相似的N个图像作为花卉图像最终检索结果。
本发明提供的基于卷积神经网络的花卉图像检索方法，如图1所示，包括如下步骤：
(1)构建带有类别信息的Nc(Nc≤100)类花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强花卉图像数据集，从而防止后续模型训练时过拟合；随机图像变换方法包括：随机-10°～10°的旋转、-0.15～0.15倍最小图片边长的水平移位、-0.15～0.15倍最小图片边长的竖直移位、镜像对称变换或者其中两种或多种变换的组合，以及将花卉图像缩放到224×224大小；将变换后的花卉图像设置为与原花卉图像一致的标签，作为训练图像数据集；通过限定花卉类别总数Nc不超过100，既可以避免因花卉类别总数过多而导致每一类花卉数过少，进而影响训练准确率，也可以避免因花卉类别总数过少而达不到分类的效果，进而影响花卉检索的准确率；
(2)构建基于VGG16的花卉分类深度卷积神经网络模型VGG-F，然后使用增强后的花卉图像数据集训练模型VGG-F，训练时，加载预训练的VGG16卷积层权值，并设置对应层学习率为0，并使用Adam优化算法优化参数迭代学习过程，直到迭代次数达到1000次时终止，保留分类效果最好的网络模型参数；如图2所示，模型VGG-F包括多个卷积层、池化层和全连接层，其中，第一个全连接层(FC1)的节点数为1024个，第二个全连接层(FC2)的节点数为256个，分类层的节点数为花卉图像数据集中的花卉类别总数Nc；
(3)通过模型VGG-F的第二个全连接层(FC2)分别提取待查询图像和花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，提取花卉图像数据集中与待查询图像最相似的2N(10＜N＜40)个花卉图像作为初步检索结果；N的取值过大或者过小都会影响检索的准确率，并且N的取值过大，需要存储的结果越多，所需消耗的存储空间也越多，因此，通过将N的取值范围限定为10＜N＜40，可以保证在获得较高检索准确率的同时尽量节省存储空间；
进行相似性比较的方法为：分别对带查询图像和花卉图像数据集中各花卉图像的特征向量进行L2归一化；将待查询图像的归一化向量与另一个花卉图像的归一化向量之间的余弦距离作为两个花卉图像的相似度，其计算公式为：
其中，Xj为花卉图像数据集中第j个花卉图像的归一化向量，Y为待查询图像的归一化向量；
分别计算待查询图像与其余每一个花卉图像的相似度，然后根据相似度对待查询图像之外的所有花卉图像进行排序；
(4)分别计算待查询图像和初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，提取初步检索结果中与待查询图像最相似的N个花卉图像作为检索结果；检索结束。
对于花卉图像，通常其颜色信息对人来说比较重要；且一般花卉图像中花卉位于图像的中心区域；为了充分利用花卉图像的颜色信息和空间分布先验信息，本实施例的步骤(4)中，分别计算待查询图像和初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到检索结果，包括如下步骤：
(41)对于一个花卉图像，将其从RGB色彩空间转换到HSV色彩空间，并计算以图像中心为中心、长边和短边分别为长轴和短轴的椭圆形掩模区域内的花卉图像HSV颜色直方图；
为了转换到HSV色彩空间，首先将RGB图像归一化到0～1，然后对于RGB图像中任意一点像素值(R,G,B)使用下面公式计算对应HSV图像中的像素值(H',S',V')：
V'＝max(R,G,B)；
其中，R、G、B分别代表在RGB色彩空间中任意像素点的归一化后的三通道灰度值，而H'、S'、V'则分别是对应点的HSV色彩空间中初次计算的灰度值；
为了将数据映射到0～255之间，对初次计算的HSV数值进行处理：
V＝255V′；
S＝255S′；
其中，H、S、V分别代表映射后HSV色彩空间灰度值；
对得到的HSV图像，使用中心椭圆区域作为掩模图像M，统计中心椭圆区域的像素值的直方图分布；掩模图像M的表达式为：
其中，(x,y)为掩模图像M的像素点位置坐标，w和h分别为掩模图像的宽度和高度；
(42)对于H、S、V三通道，分别统计18个桶(Bin)、10个桶(Bin)和4个桶(Bin)的像素灰度值直方图分布，也就是分别对三通道分别灰度级压缩后，统计灰度值分布；由于HSV通道范围分别是[0,179],[0,255],[0,255]，因此分别乘以18/180、10/256、4/256后再统计，计算公式如下：
其中，Hhist、Shist和Vhist分别为H、S、V三通道的中心区域灰度级压缩后的直方图分布向量，v是灰度级压缩后的灰度级，Hhist(v)、Shist(v)和Vhist(v)分别为H、S、V三通道中压缩后灰度级为v的像素在掩模区域内的个数，H(x,y)、S(x,y)和V(x,y)分别为掩模图像M中坐标位置为(x,y)的像素点的H值、S值和V值，[]代表条件，代表向下取整；
(43)分别对三个通道的直方图分布向量进行L2归一化，并分别乘以18、10和4后，将三个向量拼接为单一向量，然后对所得到的单一向量进行L2归一化，得到花卉图像的HSV颜色分布特征向量；
每个通道的压缩后灰度级直方图向量表示为：
对得到的三通道灰度直方图向量分别L2归一化并乘以对应桶的个数后分别得到归一化的通道直方图向量
将上述三个向量拼接成长度为32的向量后，再次L2归一化，得到图像的归一化颜色直方图特征向量其中：
(44)分别对待查询图像和所述初步检索结果中的2N个花卉图像执行步骤(41)～(43)，得到各花卉图像的HSV颜色分布特征向量，并进行相似性比较，得到检索结果；
相似性比较的方式为：分别对带查询图像和花卉图像数据集中各花卉图像的HSV颜色分布特征向量进行L2归一化；将待查询图像的归一化向量与另一个花卉图像的归一化向量之间的余弦距离作为两个花卉图像的相似度，由于已经归一化，直接向量乘积即可得到两个向量之间的余弦距离；分别计算待查询图像与其余每一个花卉图像的相似度，然后根据相似度对待查询图像之外的所有花卉图像进行排序。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于卷积神经网络的花卉图像检索方法，其特征在于，包括如下步骤：
(1)构建带有类别信息的花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强所述花卉图像数据集，从而防止后续模型训练时过拟合；
(2)构建基于VGG16的花卉分类深度卷积神经网络模型VGG-F，并使用Adam优化算法优化所述模型VGG-F的参数的学习训练；所述模型VGG-F中，第一个全连接层的节点数为1024个，第二个全连接层的节点数为256个，分类层的节点数为所述花卉图像数据集中的花卉类别总数；
(3)通过所述模型VGG-F的第二个全连接层分别提取待查询图像和所述花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，提取所述花卉图像数据集中与待查询图像最相似的2N个花卉图像作为初步检索结果；其中，N为正整数；
(4)分别计算待查询图像和所述初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，提取所述初步检索结果中与待查询图像最相似的N个花卉图像作为检索结果；检索结束。
2.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述花卉图像数据集中，花卉类别总数Nc不超过100。
3.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述检索结果中，所包含的花卉图像数量N的取值范围为：10＜N＜40。
4.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述步骤(1)中，用于处理花卉图像以增强所述花卉图像数据集的随机图像变换方法包括：随机-10°～10°的旋转、-0.15～0.15倍最小图片边长的水平移位、-0.15～0.15倍最小图片边长的竖直移位、镜像对称变换或者其中两种或多种变换的组合，以及将花卉图像缩放到224×224大小。
5.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述步骤(4)中，分别计算待查询图像和所述初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到检索结果，包括如下步骤：
(41)对于一个花卉图像，将其从RGB色彩空间转换到HSV色彩空间，并创建中心椭圆区域掩模图像M，所述掩模图像M的表达式为：
其中，(x,y)为所述掩模图像M的像素点位置坐标，w和h分别为所述掩模图像的宽度和高度；
(42)对于H、S、V三通道，分别统计18个桶、10个桶和4个桶的像素灰度值直方图分布，计算公式如下：
其中，Hhist、Shist和Vhist分别为H、S、V三通道的中心区域灰度级压缩后的直方图分布向量，v是灰度级压缩后的灰度级，Hhist(v)、Shist(v)和Vhist(v)分别为H、S、V三通道中压缩后灰度级为v的像素在掩模区域内的个数，H(x,y)、S(x,y)和V(x,y)分别为所述掩模图像M中坐标位置为(x,y)的像素点的H值、S值和V值，[]代表条件，代表向下取整；
(43)分别对三个通道的直方图分布向量进行L2归一化，并分别乘以18、10和4后，将三个向量拼接为单一向量，然后对所得到的单一向量进行L2归一化，得到花卉图像的HSV颜色分布特征向量；
(44)分别对待查询图像和所述初步检索结果中的2N个花卉图像执行步骤(41)～(43)，得到各花卉图像的HSV颜色分布特征向量，并进行相似性比较，得到检索结果。
6.如权利要求1或5所述的基于卷积神经网络的花卉图像检索方法，其特征在于，得到各花卉图像的特征向量或者HSV颜色分布特征向量后，进行相似性比较的方法为：分别对各花卉图像的特征向量或者HSV颜色分布特征向量进行L2归一化；将待查询图像的归一化向量与另一个花卉图像的归一化向量之间的余弦距离作为两个花卉图像的相似度，分别计算待查询图像与其余每一个花卉图像的相似度，然后根据相似度对待查询图像之外的所有花卉图像进行排序。
CN201810312552.4A 2018-04-09 2018-04-09 一种基于卷积神经网络的花卉图像检索方法 Expired - Fee Related CN108829692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810312552.4A CN108829692B (zh) 2018-04-09 2018-04-09 一种基于卷积神经网络的花卉图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810312552.4A CN108829692B (zh) 2018-04-09 2018-04-09 一种基于卷积神经网络的花卉图像检索方法

Publications (2)

Publication Number Publication Date
CN108829692A true CN108829692A (zh) 2018-11-16
CN108829692B CN108829692B (zh) 2019-12-20

Family

ID=64154576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810312552.4A Expired - Fee Related CN108829692B (zh) 2018-04-09 2018-04-09 一种基于卷积神经网络的花卉图像检索方法

Country Status (1)

Country Link
CN (1) CN108829692B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697257A (zh) * 2018-12-18 2019-04-30 天罡网(北京)安全科技有限公司 一种基于预分类和特征学习抗噪的网络信息检索方法
CN112699260A (zh) * 2019-10-22 2021-04-23 杭州睿琪软件有限公司 物种识别方法及装置
WO2023109069A1 (zh) * 2021-12-13 2023-06-22 深圳前海微众银行股份有限公司 一种图像检索方法及装置
CN117333494A (zh) * 2023-12-01 2024-01-02 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354581A (zh) * 2015-11-10 2016-02-24 西安电子科技大学 融合颜色特征与卷积神经网络的彩色图像特征提取方法
US20160358024A1 (en) * 2015-06-03 2016-12-08 Hyperverge Inc. Systems and methods for image processing
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN106980641A (zh) * 2017-02-09 2017-07-25 上海交通大学 基于卷积神经网络的无监督哈希快速图片检索系统及方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160358024A1 (en) * 2015-06-03 2016-12-08 Hyperverge Inc. Systems and methods for image processing
CN105354581A (zh) * 2015-11-10 2016-02-24 西安电子科技大学 融合颜色特征与卷积神经网络的彩色图像特征提取方法
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN106980641A (zh) * 2017-02-09 2017-07-25 上海交通大学 基于卷积神经网络的无监督哈希快速图片检索系统及方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘冶等: "FP-CNNH:一种基于深度卷积神经网络的快速图像哈希算法", 《计算机科学》 *
彭天强等: "基于深度卷积神经网络和二进制哈希学习的图像检索方法", 《电子与信息学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697257A (zh) * 2018-12-18 2019-04-30 天罡网(北京)安全科技有限公司 一种基于预分类和特征学习抗噪的网络信息检索方法
CN112699260A (zh) * 2019-10-22 2021-04-23 杭州睿琪软件有限公司 物种识别方法及装置
WO2023109069A1 (zh) * 2021-12-13 2023-06-22 深圳前海微众银行股份有限公司 一种图像检索方法及装置
CN117333494A (zh) * 2023-12-01 2024-01-02 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统
CN117333494B (zh) * 2023-12-01 2024-02-27 辽宁牧龙科技有限公司 基于深度学习的秸秆覆盖率检测方法及系统

Also Published As

Publication number Publication date
CN108829692B (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN104182763B (zh) 一种基于花朵特征的植物种类识别系统
CN104915636B (zh) 基于多级框架显著性特征的遥感影像道路识别方法
CN108829692A (zh) 一种基于卷积神经网络的花卉图像检索方法
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
Hsu et al. An interactive flower image recognition system
CN103927511B (zh) 基于差异特征描述的图像识别方法
CN107918780A (zh) 一种基于关键点检测的衣服种类和属性分类方法
CN109508710A (zh) 基于改进YOLOv3网络的无人车夜间环境感知方法
CN105205453B (zh) 基于深度自编码器的人眼检测和定位方法
CN113963222B (zh) 一种基于多策略组合的高分辨率遥感影像变化检测方法
CN108229425A (zh) 一种基于高分辨率遥感图像的水体识别方法
CN106649487A (zh) 基于兴趣目标的图像检索方法
CN108520204A (zh) 一种人脸识别方法
CN104123554B (zh) 基于mmtd的sift图像特征提取方法
CN109271895A (zh) 基于多尺度特征学习和特征分割的行人重识别方法
CN104850825A (zh) 一种基于卷积神经网络的人脸图像颜值计算方法
CN107341813B (zh) 基于结构学习和素描特性推理网络的sar图像分割方法
CN108363957A (zh) 基于级联网络的交通标志检测与识别方法
Hu et al. Edge-guided image object detection in multiscale segmentation for high-resolution remotely sensed imagery
CN108596195B (zh) 一种基于稀疏编码特征提取的场景识别方法
CN108319943A (zh) 一种提高戴眼镜条件下人脸识别模型性能的方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191220

Termination date: 20210409