CN109614984A - 一种同源图像检测方法和系统 - Google Patents

一种同源图像检测方法和系统 Download PDF

Info

Publication number
CN109614984A
CN109614984A CN201811267645.6A CN201811267645A CN109614984A CN 109614984 A CN109614984 A CN 109614984A CN 201811267645 A CN201811267645 A CN 201811267645A CN 109614984 A CN109614984 A CN 109614984A
Authority
CN
China
Prior art keywords
network
image
layer
rbm
neural network
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
Application number
CN201811267645.6A
Other languages
English (en)
Inventor
孙婧
刘进
张帆
闫茜
张鋆
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.)
Shenzhen Beidou Application Technology Research Institute Co Ltd
Original Assignee
Shenzhen Beidou Application Technology Research Institute Co Ltd
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 Shenzhen Beidou Application Technology Research Institute Co Ltd filed Critical Shenzhen Beidou Application Technology Research Institute Co Ltd
Priority to CN201811267645.6A priority Critical patent/CN109614984A/zh
Publication of CN109614984A publication Critical patent/CN109614984A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种同源图像检测方法和系统，方法：S1、处理样本图像以获取像素数据；S2、设置autoencoder神经网络，将像素数据作为第一层网络层结构的输入；S3、优化autoencoder神经网络；S4、采用softmax回归处理网络层结构的最后一层以进行样本图像的分类；S5、将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。系统执行方法。通过autoencoder神经网络处理样本图像以进行训练，通过autoencoder神经网络处理待检测的图像并根据待检测图像属于样本图像的分类中的一类的概率判断是否属于同源图像，能够协助判断图像是否同源，借此作为数据存储的依据，能够降低重复存储的可能性，提高存储利用率。

Description

一种同源图像检测方法和系统
技术领域
本发明涉及图像处理技术领域，尤其是一种同源图像检测方法和系统。
背景技术
近年来，随着互联网、云端的快速发展，在海量客户端不断地上传重复数据时，许多云端数据有大量的冗余，消耗了大量的带宽。
根据调查，企业重复删除的比率达1:10～1:500，如果第一个用户上传数据后，其他的用户再次上传时不需要重复上传，可以直接连接到已上传的数据进行传输，可以最大节省90％的网络带宽和磁盘空间，在云储存领域，数据去重能大大减少储存的空间与带宽，所以，当前提高资源利用率的最为迫切的是要解决数据高效去重问题。
单纯文字的确定重复是相对简单的，而图像之类的数据，难以简单的确认其是否存在重复，在图像去重领域，主要研究的是同源图像的检测，即判别多个图像内容是否来自同一图像，可以高效解决图像去重问题。目前，在信息通信研究领域，对图像去重的方法有很多，比较普遍的是基于内容、基于稀疏性和基于压缩感知等方法，均存在对应的缺点。
在比较图像相似度时，需要着重考虑两个重要的性能：第一，是要考虑数据删除的准确性，重复数据删除错误会给用户带来损失并影响服务质量；第二，是要考虑系统的可扩展性。所以图像去重等应用中的核心问题是数据删除的准确性，同源图像识别。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种同源图像检测方法和系统。
本发明所采用的技术方案是：一种同源图像检测方法，包括步骤：S1、处理同尺寸的若干样本图像以获取对应的像素数据；S2、设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；S3、优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；S4、采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；S5、将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
优选的，步骤S2具体包括：S21、设置若干不同的RBM网络，所述RBM网络包括输入层和输出层，输入层的节点数大于输出层的节点数；S22、依节点数从大到小的顺序将不同的RBM网络中具有相同节点个数的输出层和输入层合并以形成autoencoder神经网络的网络层结构；S23、将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；S24、将S23得到各RBM网络的权值作为对应的autoencoder神经网络各网络层结构的初始权值。
优选的，所述优化所述autoencoder神经网络的步骤具体包括：通过最小化重构项和原始数据之间的误差来对权值进行训练，采用以交叉熵为目标函数的BP算法得到所需的梯度值，进而将自编码网络的权值更新到最佳值。
优选的，步骤S4具体包括：对softmax分类器进行预训练，其中，通过交叉熵损失函数，得到各非同源图像类的概率值，并且各非同源图像类的概率值之和为1，通过softmax分类器处理所述网络层结构的最后一层以进行样本图像的分类。
优选的，步骤23具体包括：S231、将所述像素数据作为第一个RBM网络的输入层，其输入节点个数为像素点个数，进行特征提取，得到第一个RBM网络的权值，并计算第一个RBM网络的输出层的输出值；S232、以步骤S231的输出值作为第二个RBM网络的输入值，进行特征提取，得第二个RBM网络的权值，并计算第二个RBM网络的输出层的输出值；S233、以上一个RBM网络的输出值作为下一个RBM网络的输入值，逐个计算RBM网络对应的权值和输出值，最后一个RBM网络的输出层的节点的个数为非同源图像类别数。
本发明所采用的另一技术方案是：一种同源图像检测系统，包括：预处理模块，用于处理同尺寸的若干样本图像以获取对应的像素数据；
处理网络模块，用于设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；优化模块，用于优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；训练模块，用于采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；判断模块，用于将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
优选的，处理网络模块，具体用于：设置若干不同的RBM网络，所述RBM网络包括输入层和输出层，输入层的节点数大于输出层的节点数；依节点数从大到小的顺序将不同的RBM网络中具有相同节点个数的输出层和输入层合并以形成autoencoder神经网络的网络层结构；将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；计算得到各RBM网络的权值作为对应的autoencoder神经网络各网络层结构的初始权值。
优选的，所述优化模块具体用于具体用于：通过最小化重构项和原始数据之间的误差来对权值进行训练，采用以交叉熵为目标函数的BP算法得到所需的梯度值，进而将自编码网络的权值更新到最佳值。
优选的，训练模块，具体用于：对softmax分类器进行预训练，其中，通过交叉熵损失函数，得到各非同源图像类的概率值，并且各非同源图像类的概率值之和为1，通过softmax分类器处理所述网络层结构的最后一层以进行样本图像的分类。
优选的，处理网络模块，具体用于执行步骤：将所述像素数据作为第一个RBM网络的输入层，其输入节点个数为像素点个数，进行特征提取，得到第一个RBM网络的权值，并计算第一个RBM网络的输出层的输出值；以第一个RBM网络的输出层的输出值作为第二个RBM网络的输入值，进行特征提取，得到第二层的权值，计算第二个RBM网络的输出层的输出值；以上一个RBM网络的输出值作为下一个RBM网络的输入值，逐个计算RBM网络对应的权值和输出值，最后一个RBM网络的输出层的节点的个数为非同源图像类别数。
本发明通过autoencoder神经网络处理样本图像以进行训练，通过训练后的autoencoder神经网络处理待检测的图像并根据待检测图像属于样本图像的分类中的一类的概率判断是否属于同源图像，能够协助判断图像是否同源，借此作为数据存储的依据，能够降低重复存储的可能性，提高存储利用率。
附图说明
图1是本发明的同源图像检测方法的示意图；
图2是本发明的同源图像检测系统的示意图。
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组合。
实施例1
本实施例的目的是解释现有技术的缺点和本发明的解决思路，本实施例提供如图1所示的一种同源图像检测方法，包括步骤：S1、处理同尺寸的若干样本图像以获取对应的像素数据；S2、设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；S3、优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；S4、采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；S5、将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类(即属于样本图像的分类中的一类)的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
其中，具体包括：
步骤S1中：对同一尺寸(具体的规格根据实际的需求，即数据的集群包括能够归类为数个类别的图像，每一个类别能够适用于一个相同的尺寸)的样本图像集进行灰度化处理，得到灰度化后的像素数据，即二维数组；
步骤S2中：进行autoencoder神经网络的设置，Autoencoder的encoder部分是降维的过程，目的是将输入的高维数据表达成输出的低维的输出数据；基于encoder部分对数据进行特性提取，实际就是一个降维的过程；autoencoder神经网络包括若干层，例如，网络层结构的数量为5层，其中包括：1个输入层，3个隐含层和1个输出层；可以设置每层的数据维度依次为196608-1000-500-250-10，即输入层输入的数据维度是196608维(图片大小选512*384＝196608)，196608维输入到第一个隐含层，经过第一个隐含层处理输出是1000维，(实际做的就是降维)，第二个隐含层输入是1000维，输出是500维，第二个隐含层输入是500维，输出是250维，最后一层输入250，输出10维；
步骤S21基于限玻尔兹曼机(Restricted Boltzmann Machine,RBM)网络，其是具有两层(即输入层和输出层)的网络，输入层为m个可视节点，输出层n个为隐藏节点，其中每个可视节点只和n个隐藏节点相关，和其他可视节点是独立的，就是这个可视节点的状态只受n个隐藏节点的影响，对于每个隐藏节点也是，只受m个可视节点的影响。而设置具体网络层结构的方式包括：
步骤S22具体包括：设置若干个不同的RBM网络，其中，第一个RBM网络(即autoencoder神经网络中的第一隐含层)包括输入层为196608个可视节点(即196608维)，输出层为1000个隐藏节点(即1000维)，第二个RBM网络(即autoencoder神经网络中的第二隐含层)包括输入层为1000个可视节点(即1000维)，输出层为500个隐藏节点(即500维)，第三个RBM网络(即autoencoder神经网络中的第三隐含层)包括输入层为500个可视节点(即500维)，输出层为250个隐藏节点(即250维)，第四个RBM网络(即autoencoder神经网络中的第四隐含层)包括输入层为250个可视节点(即250维)，输出层为10个隐藏节点(即10维)；将相同节点个数的输出层和输入层合并以形成autoencoder神经网络的网络层结构。
步骤23：具体的autoencoder神经网络的训练过程包括：
使用像素数据作为第一个RBM网络的输入以进行训练，进行特征提取得到第一个RBM网络的权值，并计算对应的输出层的输出值；将第一个RBM网络的输出层的输出值作为第二RBM网络的输入以进行训练，进行特征提取得到第二个RBM的权值，并计算对应的输出层的输出值；同理依次计算每一个RBM网络的权值(RBM网络的权值即网络层结构的初始权值)和对应的输出值；然后通过最小化重构项和原始数据之间的误差来对权值进行训练，采用以交叉熵为目标函数的BP算法得到所需的梯度值，进而将自编码网络的权值更新到最佳值。(具体采用反向传播算法计算autoencoder神经网络的代价函数和代价函数的偏导数，利用共轭梯度下降算法对代价函数进行优化，最终得到每层的最佳权值)；
步骤3包括：保留编码部分的网络层结构及数据，丢弃解码部分的网络结构数据；
步骤4具体包括：对最后一层网络层采用softmax回归进行分类(即增加最少一个softmax分类器)，其中，对softmax分类器进行预训练，使用交叉熵损失函数，得到各非同源图像类的概率值，并且各非同源图像类的概率值之和为1。
本实施例通过RBM网络对初始权值进行初始化，避免了权值初始值较大时，autoencoder神经网络陷入局部最优解；避免了权值初始值较小时，autoencoder神经网络权值更新非常慢；避免了autoencoder神经网络有很多隐藏层时，找到初始权值效率低的问题。
实施例2
本实施例的目的是在实施例1的基础上说明训练RBM网络和微调权值的步骤：
训练RBM网络：Input：训练数据集X；网络初始参数w0，v0；可视层变量vl；隐藏层变量hl；迭代次数k；网络层数L
Output：训练好的网络参数W＝{w1,w2,…,wL-1},a,b
1：初始化W＝a0＝b0＝0，将vi赋值给v0初始化迭代次数k
2：for i＝1；i≤L-1；i++
(1)j＝i+1，隐藏单元：hj＝p(hj|v)
(2)可视单元：vi＝p(vi|h)
(3)最小化
End for
3：保存网络参数：W＝{w1,w2,w3,w4},a,b
微调权值：Input：算法1得到的网络参数：θ＝{W＝{w1,w2,…,wL-1},a,b}；训练数据集X＝<vi,ti>(i＝1,2,...,L-1)；迭代次数k；网络层数L；学习率η
Output：微调后的网络参数θ＝{W＝{w1,w2,…,wL-1},a,b}
1：初始化迭代次数k
2：for t＝1；t≤k；t++
for i＝1；i≤L-1；i++
(1)输入样本xi，计算xi的重构表示x’i
(2)输出单元i，δi＝vi'(1-vi')(vi-vi')
(3)隐藏单元j，
(4)更新模型参数：θji＝ηδjxi,θji＝θji+Δθji
end for
end for
实施例3
本实施例用于提供如图2所示的一种同源图像检测系统，包括：
预处理模块1，用于处理同尺寸的若干样本图像以获取对应的像素数据；
处理网络模块2，用于设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；
优化模块3，用于优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；
训练模块4，用于采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；
判断模块5，用于将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种同源图像检测方法，其特征在于，包括步骤：
S1、处理同尺寸的若干样本图像以获取对应的像素数据；
S2、设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；
S3、优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；
S4、采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；
S5、将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
2.根据权利要求1所述的一种同源图像检测模型的构建方法，其特征在于，步骤S2具体包括：
S21、设置若干不同的RBM网络，所述RBM网络包括输入层和输出层，输入层的节点数大于输出层的节点数；
S22、依节点数从大到小的顺序将不同的RBM网络中具有相同节点个数的输出层和输入层合并以形成autoencoder神经网络的网络层结构；
S23、将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；
S24、将S23得到各RBM网络的权值作为对应的autoencoder神经网络各网络层结构的初始权值。
3.根据权利要求1所述的一种同源图像检测模型的构建方法，其特征在于，所述优化所述autoencoder神经网络的步骤具体包括：
通过最小化重构项和原始数据之间的误差来对权值进行训练，采用以交叉熵为目标函数的BP算法得到所需的梯度值，进而将自编码网络的权值更新到最佳值。
4.根据权利要求1所述的一种同源图像检测模型的构建方法，其特征在于，步骤S4具体包括：
对softmax分类器进行预训练，其中，通过交叉熵损失函数，得到各非同源图像类的概率值，并且各非同源图像类的概率值之和为1，通过softmax分类器处理所述网络层结构的最后一层以进行样本图像的分类。
5.根据权利要求2所述的一种同源图像检测模型的构建方法，其特征在于，步骤23具体包括：
S231、将所述像素数据作为第一个RBM网络的输入层，其输入节点个数为像素点个数，进行特征提取，得到第一个RBM网络的权值，并计算第一个RBM网络的输出层的输出值；
S232、以步骤S231的输出值作为第二个RBM网络的输入值，进行特征提取，得第二个RBM网络的权值，并计算第二个RBM网络的输出层的输出值；
S233、以上一个RBM网络的输出值作为下一个RBM网络的输入值，逐个计算RBM网络对应的权值和输出值，最后一个RBM网络的输出层的节点的个数为非同源图像类别数。
6.一种同源图像检测系统，其特征在于，包括：
预处理模块，用于处理同尺寸的若干样本图像以获取对应的像素数据；
处理网络模块，用于设置autoencoder神经网络，将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；
优化模块，用于优化所述autoencoder神经网络，保留编码部分的网络层结构和对应的数据，丢弃解码部分的网络层结构和对应的数据；
训练模块，用于采用softmax回归处理所述网络层结构的最后一层以进行样本图像的分类，当分类完成则所述autoencoder神经网络完成训练；
判断模块，用于将待检测图像输入训练完成的autoencoder神经网络，判断待检测图像属于样本图像的分类中的一类的概率是否大于阈值，是则标记待检测图像为该类图像的同源图像。
7.根据权利要求6所述的一种同源图像检测系统，其特征在于，处理网络模块，具体用于：
设置若干不同的RBM网络，所述RBM网络包括输入层和输出层，输入层的节点数大于输出层的节点数；
依节点数从大到小的顺序将不同的RBM网络中具有相同节点个数的输出层和输入层合并以形成autoencoder神经网络的网络层结构；
将所述像素数据作为所述autoencoder神经网络的第一层网络层结构的输入；
将计算得到各RBM网络的权值作为对应的autoencoder神经网络各网络层结构的初始权值。
8.根据权利要求6所述的一种同源图像检测系统，其特征在于，所述优化模块具体用于：
通过最小化重构项和原始数据之间的误差来对权值进行训练，采用以交叉熵为目标函数的BP算法得到所需的梯度值，进而将自编码网络的权值更新到最佳值。
9.根据权利要求6所述的一种同源图像检测系统，其特征在于，训练模块，具体用于：
对softmax分类器进行预训练，其中，通过交叉熵损失函数，得到各非同源图像类的概率值，并且各非同源图像类的概率值之和为1，通过softmax分类器处理所述网络层结构的最后一层以进行样本图像的分类。
10.根据权利要求7所述的一种同源图像检测系统，其特征在于，处理网络模块，具体用于执行步骤：
将所述像素数据作为第一个RBM网络的输入层，其输入节点个数为像素点个数，进行特征提取，得到第一个RBM网络的权值，并计算第一个RBM网络的输出层的输出值；
以第一个RBM网络的输出层的输出值作为第二个RBM网络的输入值，进行特征提取，得第二个RBM网络的权值，计算第二个RBM网络的输出层的输出值；
以上一个RBM网络的输出值作为下一个RBM网络的输入值，逐个计算RBM网络对应的权值和输出值，最后一个RBM网络的输出层的节点的个数为非同源图像类别数。
CN201811267645.6A 2018-10-29 2018-10-29 一种同源图像检测方法和系统 Pending CN109614984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811267645.6A CN109614984A (zh) 2018-10-29 2018-10-29 一种同源图像检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811267645.6A CN109614984A (zh) 2018-10-29 2018-10-29 一种同源图像检测方法和系统

Publications (1)

Publication Number Publication Date
CN109614984A true CN109614984A (zh) 2019-04-12

Family

ID=66001675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811267645.6A Pending CN109614984A (zh) 2018-10-29 2018-10-29 一种同源图像检测方法和系统

Country Status (1)

Country Link
CN (1) CN109614984A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680638A (zh) * 2020-06-11 2020-09-18 深圳北斗应用技术研究院有限公司 一种乘客路径识别方法和基于该方法的客流清分方法
CN111723868A (zh) * 2020-06-22 2020-09-29 海尔优家智能科技（北京）有限公司 用于去除同源图片的方法、装置及服务器
CN113420655A (zh) * 2021-06-22 2021-09-21 中山仰视科技有限公司 基于能量模型的医学影像阴阳性筛查方法、系统、及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335956A (zh) * 2014-08-06 2016-02-17 腾讯科技（深圳）有限公司 同源图像的校验方法及装置
CN105825269A (zh) * 2016-03-15 2016-08-03 中国科学院计算技术研究所 一种基于并行自动编码机的特征学习方法及系统
CN106960219A (zh) * 2017-03-10 2017-07-18 百度在线网络技术（北京）有限公司 图片识别方法及装置、计算机设备及计算机可读介质
CN107229914A (zh) * 2017-05-26 2017-10-03 北京工业大学 一种基于深度q学习策略的手写数字识别方法
CN107633023A (zh) * 2017-08-25 2018-01-26 北京奇艺世纪科技有限公司 一种图像去重方法和装置
CN108304359A (zh) * 2018-02-06 2018-07-20 中国传媒大学 无监督学习统一特征提取器构建方法
CN108629370A (zh) * 2018-04-28 2018-10-09 广东工业大学 一种基于深度置信网络的分类识别算法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335956A (zh) * 2014-08-06 2016-02-17 腾讯科技（深圳）有限公司 同源图像的校验方法及装置
CN105825269A (zh) * 2016-03-15 2016-08-03 中国科学院计算技术研究所 一种基于并行自动编码机的特征学习方法及系统
CN106960219A (zh) * 2017-03-10 2017-07-18 百度在线网络技术（北京）有限公司 图片识别方法及装置、计算机设备及计算机可读介质
CN107229914A (zh) * 2017-05-26 2017-10-03 北京工业大学 一种基于深度q学习策略的手写数字识别方法
CN107633023A (zh) * 2017-08-25 2018-01-26 北京奇艺世纪科技有限公司 一种图像去重方法和装置
CN108304359A (zh) * 2018-02-06 2018-07-20 中国传媒大学 无监督学习统一特征提取器构建方法
CN108629370A (zh) * 2018-04-28 2018-10-09 广东工业大学 一种基于深度置信网络的分类识别算法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680638A (zh) * 2020-06-11 2020-09-18 深圳北斗应用技术研究院有限公司 一种乘客路径识别方法和基于该方法的客流清分方法
CN111723868A (zh) * 2020-06-22 2020-09-29 海尔优家智能科技（北京）有限公司 用于去除同源图片的方法、装置及服务器
CN111723868B (zh) * 2020-06-22 2023-07-21 海尔优家智能科技（北京）有限公司 用于去除同源图片的方法、装置及服务器
CN113420655A (zh) * 2021-06-22 2021-09-21 中山仰视科技有限公司 基于能量模型的医学影像阴阳性筛查方法、系统、及设备

Similar Documents

Publication Publication Date Title
CN112508085B (zh) 基于感知神经网络的社交网络链路预测方法
CN103116762B (zh) 一种基于自调制字典学习的图像分类方法
CN104346440A (zh) 一种基于神经网络的跨媒体哈希索引方法
CN105608471A (zh) 一种鲁棒直推式标签估计及数据分类方法和系统
CN109614984A (zh) 一种同源图像检测方法和系统
CN111488917A (zh) 一种基于增量学习的垃圾图像细粒度分类方法
CN110188827A (zh) 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN111026887B (zh) 一种跨媒体检索的方法及系统
CN115357747B (zh) 一种基于序数哈希的图像检索方法及系统
CN112163114B (zh) 一种基于特征融合的图像检索方法
CN115080801A (zh) 基于联邦学习和数据二进制表示的跨模态检索方法及系统
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN111861756A (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
CN115147601A (zh) 基于自注意力全局特征增强的城市街道点云语义分割方法
CN117154256A (zh) 锂电池的电化学修复方法
CN105117735A (zh) 一种大数据环境下的图像检测方法
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN116244484A (zh) 一种面向不平衡数据的联邦跨模态检索方法及系统
Zhang et al. FRWCAE: joint faster-RCNN and Wasserstein convolutional auto-encoder for instance retrieval
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
CN111768214A (zh) 产品属性的预测方法、系统、设备和存储介质
CN112465838B (zh) 陶瓷晶粒图像分割方法、系统、储存介质及计算机设备
CN117633140B (zh) 一种基于大数据云计算技术的城市地质调查方法
CN112784838A (zh) 一种基于局部敏感哈希网络的汉明ocr识别方法
Jingsong et al. New research on scalability of lossless image compression by GP engine

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: 20190412