CN110209863A - 用于相似图片检索的方法与设备 - Google Patents

用于相似图片检索的方法与设备 Download PDF

Info

Publication number
CN110209863A
CN110209863A CN201910477944.0A CN201910477944A CN110209863A CN 110209863 A CN110209863 A CN 110209863A CN 201910477944 A CN201910477944 A CN 201910477944A CN 110209863 A CN110209863 A CN 110209863A
Authority
CN
China
Prior art keywords
picture
matrix
target photo
similar pictures
fingerprint
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
CN201910477944.0A
Other languages
English (en)
Other versions
CN110209863B (zh
Inventor
翟光景
田进太
赵庆平
刘益东
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.)
Shanghai Mido Technology Co.,Ltd.
Original Assignee
Shanghai Midu Information Technology 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 Shanghai Midu Information Technology Co Ltd filed Critical Shanghai Midu Information Technology Co Ltd
Priority to CN201910477944.0A priority Critical patent/CN110209863B/zh
Publication of CN110209863A publication Critical patent/CN110209863A/zh
Application granted granted Critical
Publication of CN110209863B publication Critical patent/CN110209863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Collating Specific Patterns (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请的目的是提供一种用于相似图片检索的方法与设备。与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。

Description

用于相似图片检索的方法与设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种用于相似图片检索的技术。
背景技术
目前，图片的处理，例如图片识别、图片上的文字提取等技术基本趋于成熟。但是如何从海量图片库中快速找到相似的图片，还没有公开的算法和流程。
从海量图片库中找到相似的图片，准确性和效率是商业应用的基本要素。它牵扯到合理的架构设计，精准的图片处理与识别。因此，如何实现准确性和效率的兼顾成为亟待解决的问题。
发明内容
本申请的目的是提供一种用于相似图片检索的方法与设备。
根据本申请的一个方面，提供了一种用于相似图片检索的方法，其中，该方法包括：
获取待确定相似图片的目标图片；
确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
当存在候选相似图片，确定所述目标图片的图片指纹；
基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；
将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
将所述相似图片提供给用户设备。
进一步地，其中，所述方法还包括：
当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述将所述相似图片提供给用户设备包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
进一步地，其中，所述确定所述目标图片的标签包括：
获取基于ImageNet数据集训练好的VGG16模型；
对所述VGG16模型的进行重构并重新训练；
基于重构及重新训练后的VGG16模型，确定目标图片的标签。
进一步地，其中，所述对所述VGG16模型进行重构包括：
利用模型的pop()将末尾四层删除以及添加四个Dense层。
进一步地，其中，确定所述目标图片的图片指纹包括：
a将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
b随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
c将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵；
d将所述二级输出矩阵替换所述步骤b中的像素矩阵，重复步骤b到步骤c达到预设次数，获得输出矩阵；
e确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵；
f将所述一维N列数据确定为所述目标图片的图片指纹。
进一步地，其中，所述步骤b包括：
将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；
将其中最大的输出值确定为一级输出矩阵。
进一步地，其中，所述步骤c包括：
将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；
计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
进一步地，其中，确定所述目标图片的图片指纹包括：
调整VGG16模型，其中，所述调整VGG16模型包括去掉VGG16模型的softmax层和后三层的全连接层，并将VGG16模型前13个卷积层的结果进行全局最大值池化；
利用调整后的VGG16模型计算所述目标图片的输出向量；
将所述输出向量取范数，确定对应值；
将所述对应值除以所述输出向量，将结果确定为所述目标图片的图片指纹。
进一步地，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
根据本申请的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述方法的操作。
根据本申请的再一方面，还提供了一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行以实现如前述方法的操作。
与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于相似图片检索的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面提供的一种用于相似图片检索的方法流程图。所述方法在设备1执行，该方法包括以下步骤：
S11获取待确定相似图片的目标图片；
S12确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
S13当存在候选相似图片，确定所述目标图片的图片指纹；
S14基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；
S15将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
S16将所述相似图片提供给用户设备。
在该实施例中，在所述步骤S11中设备1获取待确定相似图片的目标图片，例如，当用户想要查找目标图片的相似图片，设备1可以从用户设备获取基于用户选择的目标图片。
在本申请中，所述设备1包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。在此，具体的设备1在本申请中不做任何限定。
继续在该实施例中，在所述步骤S12中，设备1确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹。
在此，所述图片标签可以用以指示图片的类别，例如，图片标签包括但不限于人、花、狗、猫、树等等，在此，所述图片标签可以自主进行定义，在本申请中，不做具体的限定。
优选地，其中，所述确定所述目标图片的标签包括：获取基于ImageNet数据集训练好的VGG16模型；对所述VGG16模型的进行重构并重新训练；基于重构及重新训练后的VGG16模型，确定目标图片的标签。
优选地，其中，所述对所述VGG16模型进行重构包括：利用模型的pop()将末尾四层删除以及添加四个Dense层。通过这种方式能够提高对目标图片的标签提取效率。
在本申请中，图片库中的图片已预先进行过图片标签以及图片指纹的确定，并建立了图片索引，通过图片索引可以查找到对应的原始图片。优选地，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
具体地，其中，图片索引可以通过设置倒排索引的方式，例如，给每张图片设置一个图片唯一编号，然后建立图片编号，图片标签，图片指纹的对应关系，进一步地，将标签按照空格切分词，并将该三个维度进行倒排索引。
其中，所述候选相似图片是与所述目标图片的图片标签相同或者相近的图片，在此，为了提高匹配的效率，所述候选相似图片的选取数量可以是预先设置好的，例如，选取前100个图片标签相同或者最相近的作为候选相似图片。
继续在该实施例中，在所述步骤S13中，当存在候选相似图片，设备1确定所述目标图片的图片指纹。在此，当存在候选相似图片时，进一步确定目标图片的图片指纹，当不存在候选相似图片时，表明图片库中不存在目标图片的相似图片。在此，所述图片指纹用以代表具体的图形信息，例如，基于图片像素的信息。
优选地，其中，确定所述目标图片的图片指纹包括：
S101(未示出)将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
S102(未示出)随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
S103(未示出)将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵；
S104(未示出)将所述二级输出矩阵替换所述步骤102中的像素矩阵，重复步骤S102到步骤S103达到预设次数，获得输出矩阵；
S105(未示出)确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵；
S106(未示出)将所述一维N列数据确定为所述目标图片的图片指纹。
在该实施例中，在所述步骤S101中，将所述目标图片进行归一化处理，确定归一化后的像素矩阵。在此。由于图片本身有大有小，为了进行统一，方便数据的处理会将图片进行归一化处理，例如，在确定图片库中的图片或者目标图片的图片指纹时，会将图片统一进行归一化处理，例如，归一化为n*n的像素矩阵，其中，像素矩阵中每个点都存储着图片的信息。其中，n的选取可以基于设备1的处理能力来决定，例如，当设备1处理能力强时，n可以取值较大。
继续在该实施例中，在所述步骤S102中，随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵。其中，所述一级降维相当于对所述像素矩阵进行第一次降维，以便于数据的快速处理。在此，所述权重矩阵包括但不限于2*2或者3*3或者4*4或者2*3等等矩阵类型，在本申请中不做限定。其中，权重矩阵中的元素值包括0和1，具体的0和1在矩阵中的位置和比例是随机的。
优选地，其中，所述步骤S102包括：将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；将其中最大的输出值确定为一级输出矩阵。
在该实施例中，随机生成的多个权重矩阵分别会与像素矩阵进行运算，从而得到输出值，不同的权重矩阵与像素矩阵进行运算后会得到不同的输出值，在此，选取其中最大的输出值作为一级输出矩阵。
具体地，对于每个权重矩阵，可以将权重矩阵置入所述像素矩阵的左上角，这样权重矩阵可以与像素矩阵中重叠部分所确定的矩阵进行矩阵运算，并获得的计算结果放入新的矩阵的对应位置，然后在水平方向上将权重矩阵在所述像素矩阵中右移一行，然后继续与重叠的矩阵进行运算，获得的计算结果放入新的矩阵，在竖直方向上将权重矩阵在所述像素矩阵中下移一行，同样，获得的计算结果放入新的矩阵，通过这种方式，直至将所述像素矩阵整个遍历完，从而获得一级输出矩阵。
继续在该实施例中，在所述步骤S103中，将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵。其中，所述二级输出矩阵，是对所述一级输出矩阵进行又一次的降维确定的。
优选地，其中，所述步骤S103包括：将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
在该实施例中，在获得一级输出矩阵后，会对该一级输出矩阵进行二次降维处理，具体地，可以将所述一级输出矩阵按照2*2的矩阵块为单位，将所述一级输出矩阵划分成2*2的单元块，且各单元块之间无重叠，进而计算出单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。其中，2*2的矩阵块中的元素值可以包括0和1，具体的0和1在矩阵中的位置和比例是随机的。
继续在该实施例中，在所述步骤S104中，将所述二级输出矩阵替换所述步骤102中的像素矩阵，重复步骤S102到步骤S103达到预设次数，获得输出矩阵。
具体地，通过随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述二级输出矩阵进行一级降维确定一级输出矩阵，进而对所述一级降维进行二次降维，确定二级输出矩阵，通过这种方式，重复预设次数之后，得到最终的输出矩阵，在此，所述预设次数可以基于经验值设定。
继续在该实施例中，在所述步骤S105中，确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵。其中，权重系数及偏置值通过语料训练获得，基于权重系数及偏置值对输出矩阵中的每个点进行加权求和，将获得的一维N列的矩阵作为目标图片的图片指纹，例如，N为512。
继续在该实施例中，在所述步骤S14中，基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值。在此，候选相似图片已预先确定出了图片指纹，可以基于图片索引确定候选相似图片的图片指纹，通过将目标图片的图片指纹与候选相似图片的图片指纹进行相似度值的计算，例如，将两个图片指纹进行乘积并求和确定相似度值，其中，所述目标图片的图片指纹为N*1维矩阵，所述候选相似图片的图片指纹为1*N维矩阵，进一步地，在所述步骤S15中，将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片。
优选地，其中，确定所述目标图片的图片指纹包括：
调整VGG16模型，其中，所述调整VGG16模型包括去掉VGG16模型的softmax层和后三层的全连接层，并将VGG16模型前13个卷积层的结果进行全局最大值池化；
利用调整后的VGG16模型计算所述目标图片的输出向量；
将所述输出向量取范数，确定对应值；
将所述对应值除以所述输出向量，将结果确定为所述目标图片的图片指纹。
继续在该实施例中，在所述步骤S16中，将所述相似图片提供给用户设备，从而用户可以看到通过用户设备呈现的相似图片。在此，所述相似图片包括一个或多个。
优选地，其中，所述方法还包括：S17(未示出)当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述步骤S16包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
在该实施例中，确定的相似图片有多个时，可以预先设置呈现数目，例如，只将相似度排名靠前的几个相似图片提供给用户，从而减少用户的信息接收量，增加用户体验。
与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
本申请实施例还提供了一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：获取待确定相似图片的目标图片；确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；当存在候选相似图片，确定所述目标图片的图片指纹；基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；将所述相似图片提供给用户设备。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (11)

1.一种用于相似图片检索的方法，其中，该方法包括：
获取待确定相似图片的目标图片；
确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
当存在候选相似图片，确定所述目标图片的图片指纹；
基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算所述目标图片与所述候选相似图片的相似度值；
将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
将所述相似图片提供给用户设备。
2.根据权利要求1所述的方法，其中，所述方法还包括：
当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述将所述相似图片提供给用户设备包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
3.根据权利要求1或2所述的方法，其中，所述确定所述目标图片的标签包括：
获取基于ImageNet数据集训练好的VGG16模型；
对所述VGG16模型的进行重构并重新训练；
基于重构及重新训练后的VGG16模型，确定目标图片的标签。
4.根据权利要求3所述的方法，其中，所述对所述VGG16模型进行重构包括：
利用模型的pop()将末尾四层删除以及添加四个Dense层。
5.根据权利要求1至4中任一项所述的方法，其中，确定所述目标图片的图片指纹包括：
a将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
b随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
c将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵；
d将所述二级输出矩阵替换所述步骤b中的像素矩阵，重复步骤b到步骤c达到预设次数，获得输出矩阵；
e确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵；
f将所述一维N列数据确定为所述目标图片的图片指纹。
6.根据权利要求5所述的方法，其中，所述随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵包括：
将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；
将其中最大的输出值确定为一级输出矩阵。
7.根据权利要求5或6所述的方法，其中，所述将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵包括：
将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；
计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
8.根据权利要求1至4中任一项所述的方法，其中，确定所述目标图片的图片指纹包括：
调整VGG16模型，其中，所述调整VGG16模型包括去掉VGG16模型的softmax层和后三层的全连接层，并将VGG16模型前13个卷积层的结果进行全局最大值池化；
利用调整后的VGG16模型计算所述目标图片的输出向量；
将所述输出向量取范数，确定对应值；
将所述对应值除以所述输出向量，将结果确定为所述目标图片的图片指纹。
9.根据权利要求1至8中任一项所述的方法，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至9中任一项所述的方法。
11.一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至9中任一项所述方法的操作。
CN201910477944.0A 2019-06-03 2019-06-03 用于相似图片检索的方法与设备 Active CN110209863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910477944.0A CN110209863B (zh) 2019-06-03 2019-06-03 用于相似图片检索的方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910477944.0A CN110209863B (zh) 2019-06-03 2019-06-03 用于相似图片检索的方法与设备

Publications (2)

Publication Number Publication Date
CN110209863A true CN110209863A (zh) 2019-09-06
CN110209863B CN110209863B (zh) 2021-01-01

Family

ID=67790392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910477944.0A Active CN110209863B (zh) 2019-06-03 2019-06-03 用于相似图片检索的方法与设备

Country Status (1)

Country Link
CN (1) CN110209863B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036902A (zh) * 2020-07-14 2020-12-04 深圳大学 基于深度学习的产品鉴伪方法、装置、服务器及存储介质
CN112184729A (zh) * 2020-09-24 2021-01-05 上海蜜度信息技术有限公司 局部图像的表征获取方法、系统、介质及装置
CN112579812A (zh) * 2020-12-18 2021-03-30 中国平安财产保险股份有限公司 检索图片的方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045818A (zh) * 2015-06-26 2015-11-11 腾讯科技（深圳）有限公司 一种图片的推荐方法、装置和系统
CN105095964A (zh) * 2015-08-17 2015-11-25 杭州朗和科技有限公司 一种数据处理方法和装置
CN108846047A (zh) * 2018-05-30 2018-11-20 百卓网络科技有限公司 一种基于卷积特征的图片检索方法及系统
CN109086437A (zh) * 2018-08-15 2018-12-25 重庆大学 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法
CN109241817A (zh) * 2018-07-02 2019-01-18 广东工业大学 一种无人机拍摄的农作物图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045818A (zh) * 2015-06-26 2015-11-11 腾讯科技（深圳）有限公司 一种图片的推荐方法、装置和系统
CN105095964A (zh) * 2015-08-17 2015-11-25 杭州朗和科技有限公司 一种数据处理方法和装置
CN108846047A (zh) * 2018-05-30 2018-11-20 百卓网络科技有限公司 一种基于卷积特征的图片检索方法及系统
CN109241817A (zh) * 2018-07-02 2019-01-18 广东工业大学 一种无人机拍摄的农作物图像识别方法
CN109086437A (zh) * 2018-08-15 2018-12-25 重庆大学 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036902A (zh) * 2020-07-14 2020-12-04 深圳大学 基于深度学习的产品鉴伪方法、装置、服务器及存储介质
CN112184729A (zh) * 2020-09-24 2021-01-05 上海蜜度信息技术有限公司 局部图像的表征获取方法、系统、介质及装置
CN112184729B (zh) * 2020-09-24 2024-04-19 天津蜜度文修智能科技有限公司 局部图像的表征获取方法、系统、介质及装置
CN112579812A (zh) * 2020-12-18 2021-03-30 中国平安财产保险股份有限公司 检索图片的方法、装置和计算机设备
CN112579812B (zh) * 2020-12-18 2023-06-20 中国平安财产保险股份有限公司 检索图片的方法、装置和计算机设备

Also Published As

Publication number Publication date
CN110209863B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
US20220391437A1 (en) Geo-visual search
US10592769B2 (en) Searching for images by video
US9147132B2 (en) Classification of land based on analysis of remotely-sensed earth images
Cao et al. Minimal scene descriptions from structure from motion models
US20200125922A1 (en) Superpixel methods for convolutional neural networks
US11405344B2 (en) Social media influence of geographic locations
US9063954B2 (en) Near duplicate images
US9569690B2 (en) Automated and scalable object and feature extraction from imagery
CN110209863A (zh) 用于相似图片检索的方法与设备
US20120117122A1 (en) Optimized KD-Tree for Scalable Search
US20120321181A1 (en) Near-duplicate video retrieval
CN105589938A (zh) 基于fpga的图像检索系统及检索方法
WO2013129580A1 (ja) 近似最近傍探索装置、近似最近傍探索方法およびそのプログラム
AU2018202767B2 (en) Data structure and algorithm for tag less search and svg retrieval
US10896218B2 (en) Computerized geo-referencing for images
CN104268140B (zh) 基于权重自学习超图和多元信息融合的图像检索方法
CN104520848B (zh) 按照出席者搜索事件
WO2016095068A1 (en) Pedestrian detection apparatus and method
US8429163B1 (en) Content similarity pyramid
Hosam et al. Enhancing deep training of image landmarking with image CAPTCHA
Sumbul et al. Plasticity-stability preserving multi-task learning for remote sensing image retrieval
Kim et al. m CLOVER: mobile content-based leaf image retrieval system
CN111985616B (zh) 一种图像特征提取方法、图像检索方法、装置及设备
JP7030485B2 (ja) 抽出装置、抽出方法、及び抽出プログラム
JPWO2016043121A1 (ja) 情報処理装置、情報処理方法、及びプログラム

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method and device for similar image retrieval

Effective date of registration: 20220824

Granted publication date: 20210101

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022310000198

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230901

Granted publication date: 20210101

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022310000198

PC01 Cancellation of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204

Patentee after: Shanghai Mido Technology Co.,Ltd.

Address before: 201800 room j71, 8 / F, 1112 Hanggui Road, Anting Town, Jiading District, Shanghai

Patentee before: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address