CN109086437B - 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法 - Google Patents

一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法 Download PDF

Info

Publication number
CN109086437B
CN109086437B CN201810926656.4A CN201810926656A CN109086437B CN 109086437 B CN109086437 B CN 109086437B CN 201810926656 A CN201810926656 A CN 201810926656A CN 109086437 B CN109086437 B CN 109086437B
Authority
CN
China
Prior art keywords
image
wasserstein
self
encoder
fast
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
CN201810926656.4A
Other languages
English (en)
Other versions
CN109086437A (zh
Inventor
冯永
张逸扬
尚家兴
强保华
邱媛媛
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.)
Chongqing University
Guilin University of Electronic Technology
Original Assignee
Chongqing University
Guilin University of Electronic 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 Chongqing University, Guilin University of Electronic Technology filed Critical Chongqing University
Priority to CN201810926656.4A priority Critical patent/CN109086437B/zh
Publication of CN109086437A publication Critical patent/CN109086437A/zh
Application granted granted Critical
Publication of CN109086437B publication Critical patent/CN109086437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/21—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种融合Faster‑RCNN(Faster‑Regions with Convolutional Neural Network,快速区域卷积神经网络)和Wasserstein自编码器的图像检索方法。本发明搭建深度学习框架，采用Faster‑RCNN模型提取图像特征；对Faster‑RCNN模型进行训练，微调网络权重；提取图像的全局特征，构建图像的全局特征图库；构建Wasserstein自编码器，并对Wasserstein自编码器进行训练；采用Wasserstein自编码器对全局特征进行降维，计算欧几里得距离得出第一相似度，并进行第一次排序，完成图像的粗粒度检索；提取图像中候选区域的特征作为局部特征，构建图像的局部特征图库；采用Wasserstein自编码器对局部特征进行降维，计算第二相似度并进行第二次排序，完成图像的细粒度检索。该方法能加快图像的检索速度以及提高图像检索的准确率。

Description

一种融合Faster-RCNN和Wasserstein自编码器的图像检索 方法
技术领域
本发明涉及图像检索技术领域，特别涉及一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法。
背景技术
随着互联网中图像资源的爆炸式增长，人们对于图像的检索次数已经超过网页文本检索次数，意味着人们进入读图时代。面对海量的图像数据，如何快速、准确地检索出内容相关的图像，成为大数据图像检索亟待解决的关键问题。传统的图像检索方法主要是基于图像内容的检索，即通过对图像的颜色分布、形状轮廓、纹理结构等底层视觉信息进行统计，比较图像之间视觉特征的相似度，从图像数据库中检索出与目标图像匹配相似的图像。由于图像底层视觉信息以及统计方法表征能力的局限性，对于大规模复杂图像检索的结果难以令人满意。
相比于传统的特征统计学习方法，深度学习通过构建多层神经网络模型，使用大规模图像数据训练并拟合网络中成千上万的参数，使得模型具有强大的表征能力，从而提取到图像更具有语义信息的高层特征。
通常，检索系统是根据提取到图像的全局特征，在图像库中匹配并检索相似图像。但是，用户观察图像时，往往只对图像中的部分区域或某个目标物体感兴趣，比如图像中某地标建筑物等；特征图中存在冗余信息，同时，考虑到检索系统的时效性以及减低特征的存储空间，需要对特征图降维处理。传统的主成分分析等降维方法，没有考虑到特征图中特征之间的内在联系，降维处理后存在部分特征丢失，从而影响图像检索的准确性。
中国发明专利申请公布号CN105912611A公开了一种基于CNN的快速图像检索方法，该方法包括一下步骤：1)利用CNN网络对要检索的图像进行特征提取，得到代表图像的矢量特征；利用Google Net网络架构，通过Inception结构实现了在小幅度增加计算量的情况下，让网络走向更深层次；2)在特征数据库中对此矢量特征进行k近邻检索。该发明方法能完成对图像的检索，但当图像中有多个目标时，就不能准确地提取出图像的局部特征，并且检索速度较慢。
发明内容
针对已有图像检索技术方法中图像检索速度慢、检索准确率偏低、特征降维过程中部分特征丢失的问题，本发明提供一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法，提取图像的全局特征和局部特征，并且进行特征降维，计算出图像特征的相似度，根据相似度完成图像的准确检索。
为了实现上述目的，本发明提供以下技术方案：
一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法，包括以下步骤：
S1:搭建深度学习框架，部署Faster-RCNN模型；
S2：对Faster-RCNN模型进行训练，微调网络权重；
S3：提取图像的全局特征，构建图像的全局特征图库；
S4：构建Wasserstein自编码器，并对Wasserstein自编码器进行训练；
S5：采用Wasserstein自编码器对全局特征图进行降维，计算全局特征之间欧几里得距离得出第一相似度，并进行第一次排序，完成图像的粗粒度检索；
S6：提取图像中候选区域的特征作为局部特征，构建图像的局部特征图库；
S7：采用Wasserstein自编码器对局部特征图进行降维，计算第二相似度并进行第二次排序，完成图像的细粒度检索。
优选的，所述S1中，本发明搭建Caffe深度学习框架。
优选的，所述S1中，本发明采用VGG网络结构作为所述Faster-RCNN模型中的特征提取模型。
优选的，所述S2中，本发明采用Oxford5k数据集中的训练集对所述Faster-RCNN模型进行训练。
优选的，所述S2中，本发明采用以下方法对所述Faster-RCNN模型进行训练：
从Oxford5k数据集的11个类别中分别选取5张图像从而得到55张图像，将此55张图像进行水平翻转并保留原始图像，进而得到110张图像，将此110张图像作为训练集；
将Faster-RCNN模型的输出类别调整为12，其中包含11类物体和1类背景；
设置迭代次数为5000，训练方式为端到端训练。
优选的，所述S3中，本发明选择卷积层Conv5_3中的全局特征图，用于构建全局特征图库。
优选的，所述S4中，本发明构建的Wasserstein自编码器包括1层卷积层、3层全连接层和1层反卷积层。
优选的，所述S4中，本发明采用以下方法对Wasserstein自编码器进行训练：
设定Wasserstein自编码器的卷积层卷积核大小为5×5，步长为2；
输入第一特征图，卷积第一特征图可得第二特征图；
将第二特征图重塑到第一全连接层，得到第一特征向量；
第一特征向量映射到第二全连接层，降维输出第二特征向量；
第二特征向量映射到第三全连接层，得到第三特征向量；
对第三特征向量进行重塑，得到第三特征图；
设定Wasserstein自编码器的反卷积层卷积核大小为5×5，步长为2，反卷积第三特征图可得第四特征图；
计算第一特征图和第四特征图的Wasserstein距离作为损失值，多次迭代训练直至收敛，完成Wasserstein自编码器参数的优化。
优选的，所述Wasserstein距离的计算函数为以下公式：
Figure BDA0001765549220000041
式中，pX表示输入特征的概率分布；pG表示输出特征的概率分布；
Figure BDA0001765549220000043
表示在y服从pG概率分布下求y的期望；min表示最小值；
Figure BDA0001765549220000044
表示在x服从pX概率分布下求x的期望；λ表示梯度惩罚项权重；
Figure BDA0001765549220000042
表示求偏倒，fw(x)表示x的权重输出函数；c表示梯度，其值可设置为1。
优选的，所述S6中，本发明采用以下方法提取图像的局部特征：
使用区域提案网络在卷积层的特征图中提取候选区域，得到得分矩阵和坐标矩阵；
选择得分矩阵中每行得分最高的类别作为候选区域的类别，得到特征图；
根据特征图和原始图像的长宽比例，提取图像的局部特征。综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：
1.本发明通过对特征提取模型的优化，加快了图像的检索速度；
2.采用Wasserstein自编码器对图像降维，能减少图像特征的缺失，相比于主成分分析等降维方法，提高了2％的图像检索准确率；
3.本发明采用两次图像检索，相比于原有检索方法，提高了2％的图像检索准确率。
附图说明：
图1为根据本发明示例性实施例的一种图像检索方法流程示意图。
图2为根据本发明示例性实施例的Wasserstein自编码器的训练流程示意图。
具体实施方式
下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
图1为根据本发明示例性实施例的一种图像检索方法流程示意图。具体包括以下步骤：
步骤S1：搭建深度学习框架，采用Faster-RCNN模型提取图像特征，所述图像特征包括全局特征和局部特征。
具体的，步骤S1中，本发明搭建的是Caffe(Convolutional Architecture forFast Feature Embedding，快速特征嵌入的卷积体系结构)深度学习框架。本实施例采用VGG(Visual Geometry Group，视觉几何组)网络结构(例如可采用VGG16)作为Faster-RCNN(Faster-Regions with Convolutional Neural Network,快速区域卷积神经网络)模型中的特征提取模型，并且本实施例中采用Pascal VOC2007数据集对VGG网络结构进行预训练。
步骤S2：对Faster-RCNN模型进行训练，微调网络权重。
本实施例步骤S2中，本发明采用Oxford5k数据集中的训练集对Faster-RCNN模型进行训练。具体的，在Oxford5k数据集中，从11个类别中分别选取5张图像从而得到55张图像，将此55张图像进行水平翻转并保留原始图像，进而得到110张图像，本发明将此110张图像作为训练集；修改Faster-RCNN模型中的文件，将输出类别调整为12，其中包含11类物体和1类背景；设置迭代次数为5000，训练方式为端到端训练，实现网络权重的微调，输出caffemodel文件。
步骤S3：提取图像的全局特征，构建图像的全局特征图库。
本实施例步骤S3中，Faster-RCNN模型加载caffemodel文件，用于构建特征提取网络模型；上述网络模型提取出图像的全局特征，选择卷积层Conv5_3中的特征矩阵代表图像的全局特征，从而构建图像的全局特征图库。例如，特征图的维度为W×H×K，W表示图像的宽，H表示图形的高，K表示图像的个数。
步骤S4：构建Wasserstein自编码器，并对Wasserstein自编码器进行训练。
本实施例步骤S4中，本发明构建基于卷积层、全连接层以及反卷积层的Wasserstein自编码器模型，该Wasserstein自编码器包括1层卷积层、3层全连接层和1层反卷积层。
本实施例对Wasserstein自编码器进行训练，优化Wasserstein自编码器中的参数，用于减少特征图降维过程中缺失的特征数量，从而提高图像的检索准确率。
Wasserstein自编码器训练步骤如下：
S4-1：设定Wasserstein自编码器的卷积层卷积核大小为5×5，步长为2；
S4-2：输入第一特征图，卷积第一特征图可得第二特征图；
S4-3：对第二特征图进行重塑，第一全连接层上得到第一特征向量；
S4-4：第一特征向量映射到第二全连接层，输出第二特征向量；
S4-5：第二特征向量映射到第三全连接层，可得第三特征向量；
S4-6：对第三特征向量进行重塑，可得第三特征图；
S4-7：设定Wasserstein自编码器的反卷积层卷积核大小为5×5，步长为2，反卷积第三特征图可得第四特征图；
S4-8：计算第一特征图和第四特征图的Wasserstein距离作为损失值，多次迭代训练直至收敛，完成对Wasserstein自编码器参数的优化。
当损失值足够小，输出的第二特征向量保留足够的特征，可用于重建第一特征图，从而保障特征降维的有效性，提高图像的检索准确率。
Wasserstein距离的计算函数如下：
Figure BDA0001765549220000061
公式(1)中，pX表示输入特征的概率分布；pG表示输出特征的概率分布；
Figure BDA0001765549220000063
表示在y服从pG概率分布下求y的期望；
Figure BDA0001765549220000064
表示在x服从pX概率分布下求x的期望；λ表示梯度惩罚项权重；
Figure BDA0001765549220000062
表示求偏倒，fw(x)表示x的权重输出函数；c表示梯度，其值可设置为1。
具体的，请参考图2。设定Wasserstein自编码器卷积层和反卷积层卷积核大小均为5×5，步长为2；输入第一特征图(例如其维度为7×7×512)，卷积第一特征图得到第二特征图(例如其维度为2×2×1024)；对所述第二特征图进行重塑(reshape)操作，第一全连接层上可得到第一特征向量(例如其维度为4096)；所述第一特征向量映射到第二全连接层，输出第二特征向量(例如其维度为40)；所述第二特征向量映射到第三全连接层，得到第三特征向量(例如其维度为4096)；对所述第三特征向量进行重塑(reshape)操作，得到第三特征图(例如其维度为2×2×1024)；反卷积第三特征图得到第四特征图(例如其维度为7×7×512)。
步骤S5：采用Wasserstein自编码器对全局特征图进行降维，计算第一相似度并进行第一次排序，完成图像的粗粒度检索。
原始图像的全局特征图中含有冗余信息及噪音信息，会造成图像检索的误差，降低检索准确率，因此需对图像特征图降维。
本实施例采用步骤S4中训练完成的Wasserstein自编码器对步骤S3中构建的图像全局特征图库中的特征图降维，减少计算的复杂度，且保留特征图的有效特征，提高图像检索的准确率。例如，输入的第一特征图维度为7×7×512，Wasserstein自编码器对第一特征图降维处理，输出第二特征向量，所述第二特征向量的维度为40。
计算图像全局特征与特征图库中的特征之间的欧几里得距离d(x,y)，d(x,y)值越小，表明相似度越高，根据d(x,y)值可得出第一相似度；根据第一相似度进行排序(例如由高到低)，得到第一次排序列表(即图像排序列表)，完成图像的粗粒度检索。
欧几里得距离d(x,y)的计算公式如下：
Figure BDA0001765549220000071
公式(2)中xi表示特征x中的第i维特征，yi表示特征y中的第i维特征，n表示维数。
步骤S6：提取图像中感兴趣部分的特征作为局部特征，构建图像的局部特征图库。
本实施例步骤S6中，本发明采用步骤S3中构建的特征提取网络模型提取图像的局部特征。
具体的，选择步骤S5的第一次排序列表中前Top-K张图像作为步骤S6中的原始图像。本发明使用Faster-RCNN模型中的区域提案网络(RPN，Region Proposal Network)，并选择在区分度较好的卷积层(例如第5层)的特征矩阵上提取候选区域，得到原始图像对应的得分矩阵Mscore＝[Si，j]r×k(r表示候选区域个数，k表示类别个数，Si，j表示第i个区域属于类别k的分数)和坐标矩阵Mboxes＝[bi，j]r×(4k)(bi，j表示第i个区域属于类别k对应的坐标)；选择得分矩阵中每行得分最高的类别作为候选区域的类别(如果该类别是背景，则丢弃对应候选区域)，从而得到特征图；计算特征图与原始图像的长宽比例，根据比例将原始图像坐标映射到特征图中，从而得到图像的局部特征。
步骤S7：采用Wasserstein自编码器对局部特征进行降维，计算出第二相似度并进行第二次排序，完成图像的细粒度检索。
本实施例步骤S7中，本发明采用Wasserstein自编码器对图像的局部特征降维；计算图像局部特征之间第二相似度S(r1，r2)，根据第二相似度进行排序(例如由高到低)，得到第二次排序列表，完成图像的细粒度检索。
得分计算函数score(r1，r2)为以下公式：
score(r1，r2)＝score(r1)+score(r2) (3)
公式(3)中score(r1)表示候选区域1的得分；score(r2)表示候选区域2的得分。
类别计算函数cls(k1，k2)为以下公式：
Figure BDA0001765549220000081
公式(4)中cls(k1，k2)表示类别得分；k1表示候选区域1的类别；k2表示候选区域2的类别。
图像局部特征之间的第二相似度S(r1，r2)的计算公式如下：
S(r1，r2)＝dis(f1，f2)+cls(k1，k2)×score(r1，r2) (5)
公式(5)中dis(f1，f2)用于计算候选区域1、2分别对应的局部特征之间的欧几里得距离；cls(k1，k2)为类别计算函数；score(r1，r2)为得分计算函数。

Claims (10)

1.一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，包括以下步骤：
S1:搭建深度学习框架，部署Faster-RCNN模型；
S2：对Faster-RCNN模型进行训练，微调网络权重；
S3：提取图像的全局特征，构建图像的全局特征图库；
S4：构建Wasserstein自编码器，并对Wasserstein自编码器进行训练；
S5：采用Wasserstein自编码器对全局特征图进行降维，计算全局特征之间欧几里得距离得出第一相似度，并进行第一次排序，完成图像的粗粒度检索；
S6：提取图像中候选区域的特征作为局部特征，构建图像的局部特征图库；
S7：采用Wasserstein自编码器对局部特征图进行降维，计算图像局部特征之间的第二相似度并进行第二次排序，完成图像的细粒度检索。
2.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S1中，搭建Caffe深度学习框架。
3.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S1中，采用VGG网络结构作为所述Faster-RCNN模型中的特征提取模型。
4.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S2中，采用Oxford5k数据集中的训练集对所述Faster-RCNN模型进行训练。
5.如权利要求1或4所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S2中，采用以下方法对所述Faster-RCNN模型进行训练：
从Oxford5k数据集的11个类别中分别选取5张图像从而得到55张图像，将此55张图像进行水平翻转并保留原始图像，进而得到110张图像，将此110张图像作为训练集；
将Faster-RCNN模型的输出类别调整为12，其中包含11类物体和1类背景；
设置迭代次数为5000，训练方式为端到端训练。
6.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S3中，选择卷积层Conv5_3中的全局特征图，用于构建全局特征图库。
7.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S4中，Wasserstein自编码器包括1层卷积层、3层全连接层和1层反卷积层。
8.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S4中，采用以下方法对Wasserstein自编码器进行训练：
设定Wasserstein自编码器的卷积层卷积核大小为5×5，步长为2；
输入第一特征图，卷积第一特征图可得第二特征图；
将第二特征图重塑到第一全连接层，得到第一特征向量；
第一特征向量映射到第二全连接层，降维输出第二特征向量；
第二特征向量映射到第三全连接层，得到第三特征向量；
对第三特征向量进行重塑，得到第三特征图；
设定Wasserstein自编码器的反卷积层卷积核大小为5×5，步长为2，反卷积第三特征图可得第四特征图；
计算第一特征图和第四特征图的Wasserstein距离作为损失值，多次迭代训练直至收敛，完成Wasserstein自编码器参数的优化。
9.如权利要求8所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述Wasserstein距离的计算函数为以下公式：
Figure FDA0003002839560000031
式中，pX表示输入特征的概率分布；pG表示输出特征的概率分布；
Figure FDA0003002839560000032
表示在y服从pG概率分布下求y的期望；min表示最小值；
Figure FDA0003002839560000033
表示在x服从pX概率分布下求x的期望；λ表示梯度惩罚项权重；
Figure FDA0003002839560000034
表示求偏倒，fw(x)表示x的权重输出函数；c表示梯度。
10.如权利要求1所述的融合Faster-RCNN和Wasserstein自编码器的图像检索方法，其特征在于，所述S6中，采用以下方法提取图像的局部特征：
使用区域提案网络在卷积层的特征图中提取候选区域，得到得分矩阵和坐标矩阵；
选择得分矩阵中每行得分最高的类别作为候选区域的类别，得到特征图；
根据特征图和原始图像的长宽比例，提取图像的局部特征。
CN201810926656.4A 2018-08-15 2018-08-15 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法 Active CN109086437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810926656.4A CN109086437B (zh) 2018-08-15 2018-08-15 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810926656.4A CN109086437B (zh) 2018-08-15 2018-08-15 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法

Publications (2)

Publication Number Publication Date
CN109086437A CN109086437A (zh) 2018-12-25
CN109086437B true CN109086437B (zh) 2021-06-01

Family

ID=64793471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810926656.4A Active CN109086437B (zh) 2018-08-15 2018-08-15 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法

Country Status (1)

Country Link
CN (1) CN109086437B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885709B (zh) * 2019-01-08 2022-12-23 五邑大学 一种基于自编码预降维的图像检索方法、装置和存储介质
CN110008949B (zh) * 2019-01-24 2020-03-17 华南理工大学 一种图像目标检测方法、系统、装置和存储介质
CN110033023B (zh) * 2019-03-11 2021-06-15 北京光年无限科技有限公司 一种基于绘本识别的图像数据处理方法及系统
CN110110670B (zh) * 2019-05-09 2022-03-25 杭州电子科技大学 基于Wasserstein度量的行人跟踪中的数据关联方法
CN110119460A (zh) * 2019-05-16 2019-08-13 广东三维家信息科技有限公司 图像检索方法、装置及电子设备
CN110209863B (zh) * 2019-06-03 2021-01-01 上海蜜度信息技术有限公司 用于相似图片检索的方法与设备
CN110390259A (zh) * 2019-06-11 2019-10-29 中国科学院自动化研究所南京人工智能芯片创新研究院 图数据的识别方法、装置、计算机设备和存储介质
CN111461159A (zh) * 2019-07-04 2020-07-28 上海大学 一种基于相似度约束的解耦表示学习算法
CN110851642A (zh) * 2019-09-29 2020-02-28 南京大学 一种基于自编码器和tSNE降维的图片检索方法
CN110825904B (zh) * 2019-10-24 2022-05-06 腾讯科技（深圳）有限公司 一种图像匹配方法、装置、电子设备和存储介质
CN111046209B (zh) * 2019-12-09 2023-07-25 中国科学院自动化研究所 图像聚类检索系统
CN111026058B (zh) * 2019-12-16 2021-01-12 浙江大学 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法
CN111680628B (zh) * 2020-06-09 2023-04-28 北京百度网讯科技有限公司 文字框融合方法、装置、设备以及存储介质
CN111860670B (zh) * 2020-07-28 2022-05-17 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质
CN112528066B (zh) * 2020-12-18 2023-08-04 广东工业大学 基于注意力机制的商标检索方法、系统、计算机设备和存储介质
CN112837299B (zh) * 2021-02-09 2024-02-27 浙江工业大学 一种纺织品图像指纹检索方法
CN112927783B (zh) * 2021-03-30 2023-12-26 泰康同济(武汉)医院 图像检索方法及装置
CN113204666B (zh) * 2021-05-26 2022-04-05 杭州联汇科技股份有限公司 一种基于文字查找匹配图片的方法
CN113343920A (zh) * 2021-07-01 2021-09-03 中诚信征信有限公司 人脸识别照片的分类方法、装置、电子设备和存储介质
CN116310425B (zh) * 2023-05-24 2023-09-26 山东大学 一种细粒度图像检索方法、系统、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106708943A (zh) * 2016-11-22 2017-05-24 安徽睿极智能科技有限公司 一种基于排列融合的图像检索重排序方法及系统
CN106886599A (zh) * 2017-02-28 2017-06-23 北京京东尚科信息技术有限公司 图像检索方法以及装置
CN107239565A (zh) * 2017-06-14 2017-10-10 电子科技大学 一种基于显著性区域的图像检索方法
CN108205580A (zh) * 2017-09-27 2018-06-26 深圳市商汤科技有限公司 一种图像检索方法、装置及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180070089A1 (en) * 2016-09-08 2018-03-08 Qualcomm Incorporated Systems and methods for digital image stabilization
US10482336B2 (en) * 2016-10-07 2019-11-19 Noblis, Inc. Face recognition and image search system using sparse feature vectors, compact binary vectors, and sub-linear search

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106708943A (zh) * 2016-11-22 2017-05-24 安徽睿极智能科技有限公司 一种基于排列融合的图像检索重排序方法及系统
CN106886599A (zh) * 2017-02-28 2017-06-23 北京京东尚科信息技术有限公司 图像检索方法以及装置
CN107239565A (zh) * 2017-06-14 2017-10-10 电子科技大学 一种基于显著性区域的图像检索方法
CN108205580A (zh) * 2017-09-27 2018-06-26 深圳市商汤科技有限公司 一种图像检索方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Faster-RCNN的车型识别分析";桑军，郭沛，项志立，罗红玲，陈欣;《重庆大学学报》;20170715;第40卷(第7期);全文 *
변영현곽근창."Comparative Analysis of Performance Using Faster RCNN and ACF in People Detection".《The Journal of Korean Institute of Information Technology》.2017, *

Also Published As

Publication number Publication date
CN109086437A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109086437B (zh) 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法
CN109919108B (zh) 基于深度哈希辅助网络的遥感图像快速目标检测方法
CN111489358B (zh) 一种基于深度学习的三维点云语义分割方法
Wang et al. RSNet: The search for remote sensing deep neural networks in recognition tasks
CN110930454B (zh) 一种基于边界框外关键点定位的六自由度位姿估计算法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN111191583B (zh) 基于卷积神经网络的空间目标识别系统及方法
Wang et al. Transferring CNN with adaptive learning for remote sensing scene classification
Sharma et al. Recursive context propagation network for semantic scene labeling
CN105701502B (zh) 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN109063719B (zh) 一种联合结构相似性和类信息的图像分类方法
CN109273054B (zh) 基于关系图谱的蛋白质亚细胞区间预测方法
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN113435253B (zh) 一种多源影像联合城区地表覆盖分类方法
CN109033978B (zh) 一种基于纠错策略的cnn-svm混合模型手势识别方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN110263855B (zh) 一种利用共基胶囊投影进行图像分类的方法
CN111984817A (zh) 一种基于自注意力机制加权的细粒度图像检索方法
CN111062438A (zh) 基于相关学习的图传播的弱监督细粒度图像分类算法
CN114510594A (zh) 一种基于自注意力机制的传统纹样子图检索方法
CN112101364A (zh) 基于参数重要性增量学习的语义分割方法
CN112837320A (zh) 一种基于并行空洞卷积的遥感影像语义分割方法
CN113032613B (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
Chartock et al. Extraction of building footprints from satellite imagery
CN116075820A (zh) 用于搜索图像数据库的方法、非暂时性计算机可读存储介质和设备

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