CN110321451A - 基于分布熵增益损失函数的图像检索算法 - Google Patents
基于分布熵增益损失函数的图像检索算法 Download PDFInfo
- Publication number
- CN110321451A CN110321451A CN201910340096.9A CN201910340096A CN110321451A CN 110321451 A CN110321451 A CN 110321451A CN 201910340096 A CN201910340096 A CN 201910340096A CN 110321451 A CN110321451 A CN 110321451A
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- feature vector
- training
- 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.)
- Granted
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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分布熵增益损失函数的图像检索算法,所述算法使用预训练网络进行初始化,根据图像检索任务的需求训练网络,在训练网络时使用自行设计的分布熵增益损失函数,提升了图像检索的准确率;分布熵增益损失函数结合了对比损失函数和相对熵,增强了训练网络时图像相似性度量的准确性;对比损失函数通过欧氏距离计算特征之间的相似度,相对熵可以用于衡量特征向量之间的分布差异,将相对熵补充到对比损失函数中改善了特征向量相似性度量;使用分布熵增益损失函数训练网络模型,通过调整网络参数得到更适用于图像检索任务的网络模型,训练后的网络模型在图像检索实验中取得了更优的检索效果。
Description
技术领域
本发明属于图像检索技术领域,涉及一种通过分布熵增益损失函数训练网络的图像检索算法。
背景技术
伴随着互联网技术的蓬勃发展,社交软件丰富多样,多种形式的多媒体信息充斥着我们的生活。如何快速、准确地捕捉并能有效利用多媒体信息成为一个重要的研究课题,引起了学术界的广泛关注。在这种趋势下,图像检索技术得到了充分又全面的发展。
近年来,随着神经网络成功应用于图像分类后,研究者越来越关注神经网络在图像检索领域的应用,大量研究表明神经网络卷积层输出的特征具备出色的区分性和扩展性。因而,近年来基于卷积神经网络的图像检索算法层出不穷,基于卷积神经网络的图像检索方法主要分为三类,分别是微调网络、预训练网络和混合网络。其中混合网络在图像检索任务中效率较低,使用更多的是预训练网络。虽然预训练网络已经取得了令人惊叹的检索性能,但其往往不具备与图像检索任务相匹配网络参数,因此图像检索网络微调成为比较热门的研究话题。微调网络是通过预训练的图像分类模型对网络进行初始化,然后在此基础上针对不同的任务进行参数调整。通常使用经过微调的检索网络比直接应用预训练模型的效果更好。微调网络一般通过度量学习的网络架构训练网络以更新网络参数,使得训练后得到的网络架构更加贴近图像检索这项任务,当下较为流行的度量学习网络架构孪生网络结合成对损失函数或三元损失函数。
基于卷积神经网络的图像检索关键在于训练出一个与检索任务高度匹配的网络,通过训练的网络提取表达能力更强的特征向量,提高图像检索的准确率。在训练网络参数时最重要的是训练数据集和度量学习的网络架构,使用SfM算法可以自动匹配训练数据得到训练集,此外可以通过分布熵增益损失函数改进度量学习网络的训练,这对提升图像检索的准确率有着重要的促进作用。可见,基于分布熵增益损失函数的图像检索算法具有广泛的应用前景。
发明内容
本发明的目的是提供一种基于分布熵增益损失函数的图像检索算法,使用分布熵增益损失函数训练网络调整网络参数,为图像检索任务提供更准确的网络模型,提升图像检索的准确率,实验时检索的准确率利用平均准确率(mAP)表示。
本发明的目的是通过以下技术方案实现的:
一种基于分布熵增益损失函数的图像检索算法,利用分布熵增益损失函数训练网络,网络训练过程中通过反向传播修改网络参数,在训练过程中,调整参数是为了减小匹配的图像对之间的欧氏距离同时增大不匹配的图像对之间的欧氏距离,使最终得到的网络模型更加符合图像检索的需求。具体实施步骤如下:
步骤一、构建分布熵增益损失函数:
L=L1+(0.1×L2);
其中,L表示分布熵增益损失函数,L1表示对比损失函数,L2表示特征向量相对熵;
步骤二、采用ResNet101和VGG16对卷积神经网络进行初始化;
步骤三、使用分布熵增益损失函数训练步骤二初始化得到的网络,在训练过程中通过反向传播和调整网络参数,以得到更加符合图像检索需求的网络模型;
步骤四、对测试集中所有图像进行多尺度预处理,将预处理之后的多尺度图像输入到通过步骤三训练得到的网络模型中,通过训练后的网络模型提取不同尺度下的图像特征向量;
步骤五、对不同尺度下的图像特征向量使用广义均值池化方法、归一化处理和学习白化处理得到图像最终的特征向量;
步骤六、计算查询图像和测试集中其他图像特征向量的欧氏距离,将计算得到的值用来衡量图像的相似性,并根据相似性得到查询图像的检索序列,所述欧氏距离计算公式如下:
其中,f(i)表示图像i输入网络模型后输出的特征向量,f(j)表示图像j输入网络模型后输出的特征向量,||f(i)-f(j)||2表示特征向量f(i)和特征向量f(j)每一维值差的平方和。
相比于现有技术,本发明具有如下优点:
(1)使用预训练网络进行初始化,根据图像检索任务的需求训练网络,在训练网络时采用了自行设计的分布熵增益损失函数,提升了图像检索的准确率。
(2)分布熵增益损失函数结合了对比损失函数和相对熵,增强了训练网络时图像相似性度量的准确性。
(3)对比损失函数通过欧氏距离计算特征之间的相似度,而具有相同欧式距离的特征向量可能具有不同的分布状态,相对熵可以用于衡量特征向量之间的分布差异,将相对熵作为对比损失函数的补充改善了特征向量相似性度量。
(4)使用分布熵增益损失函数训练网络,通过调整网络参数得到更适用于图像检索任务的网络模型,训练后的网络模型在图像检索实验中取得了更优的检索效果。
附图说明
图1为本发明基于分布熵增益损失函数的图像检索算法的网络训练结构图;
图2为特征向量分布差异示意图;
图3为基于分布熵增益损失函数的图像检索算法的检索流程图。
具体实施方式
下文结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于分布熵增益损失函数的图像检索算法,如图1所示,网络训练结构包括图像特征提取、对比损失函数和特征向量分布熵,图像特征提取包括卷积神经网络结构、广义均值池化、归一化,其中:
所述图像特征提取将使用SfM算法得到的训练数据集作为输入,输出训练集图像的特征向量。
所述卷积神经网络使用ResNet101和VGG16对卷积神经网络进行初始化。ResNet和VGG使用了Adam学习策略并设置Adam初始步长为10-6,损失函数在ResNet101和VGG16中的上界分别取0.85和0.75。训练网络时输入数据的Batch设置为5,训练图像处理后的大小不超过362*362,同时保持了原图像的长宽比例。
所述广义均值池化用于将卷积层输出的特征图处理后输出特征向量,广义均值池化是最大池化和平均池化的中和情况,广义均值池化处理方法如下:
其中,k表示特征向量的维度,pk是指数,Xk是维度为k的特征图,||X||是特征图X像素值的个数,x表示特征图中的像素值。
所述归一化是L2归一化,L2归一化平衡像素点取值范围的影响而不改变数值之间的比例差距,将数据统一转换到0和1之间。计算公式如下:
其中,V表示向量,||V||表示向量的模,vi表示特征向量上第i维上的值。
所述对比损失函数公式如下:
其中,f(q)和f(i)表示图像的特征向量,||f(q)-f(i)||2表示向量f(q)和向量f(i)的欧式距离,r表示负样本损失函数值的上限,Y(q,i)为1表示匹配,Y(q,i)为0表示不匹配,q表示查询图像,i表示训练集除了查询图像以外的图像即查询图像对应的正样本和负样本图像。根据公式可知,对于匹配的图像,描述子之间的欧式距离越大,损失函数的输出就越大;对于不匹配的图像,描述子的欧式距离越大,损失函数的输出就越小。
所述特征向量分布熵通过计算特征向量间的相对熵得到,得到的相对熵可以反映被比较的两个特征向量间的分布状态差异,如图2所示,不同的颜色表示不同大小的值,利用欧氏距离计算时可能相似性较大,可是实际上两特征向量的分布并不一致。相对熵计算公式如下:
其中,k表示特征向量的维度,p(xi)和q(xi)表示被比较的图像对特征向量指定维度数值在特征向量中的频率分布。
所述特征向量指定维度数值在特征向量中的概率分布,将当前特征向量内部所有值相加求和得S,求得指定维度上的值占S的比例。计算公式如下:
其中,i表示特征向量的维度编号,xi表示特征向量上第i维上的值。
将特征向量分布熵和对比损失函数相结合得到最终的分布熵增益损失函数,相对熵的计算使用了许多原对比损失函数的中间变量,提高了损失函数的计算效率。利用本发明提出的分布熵增益损失函数训练的网络提升了图像检索的准确率。二者结合的公式如下:
L=L1+(0.1×L2);
其中,L表示分布熵增益损失函数,L1表示对比损失函数,L2表示特征向量相对熵。
使用本发明提出的基于分布熵增益损失函数的图像检索算法进行图像检索,检索结果用mAP来衡量。如图3所示,进行图像检索的步骤为:
步骤一,使用分布熵增益损失函数训练网络,在训练过程中通过反向传播调整网络参数,以得到更加符合图像检索需求的网络模型。
本步骤中,训练网络时采用ResNet101和VGG16对网络进行初始化,卷积神经网络卷积层之后的池化层采用广义均值池化。
本步骤中,训练网络时采用的训练集是通过SfM算法得到的,在训练网络时,训练集数据以元组(q,m(q),N(q))的形式呈现,其中q是查询图像,m(q)是与查询匹配的图像,N(q)表示与查询不匹配的图像。
本步骤中,训练集图像分为查询图像、正样本图像和负样本图像,每个查询图像分别对应一个正样本和五个负样本。
步骤二,对测试集图像进行多尺度预处理,选用五种不同的尺度对图像进行处理,尺度取值分别为1、1/sqrt(2)、1/2、1/sqrt(8)、1/4。
步骤三,将预处理之后的多尺度图像输入到训练后的网络模型中,通过训练后的网络模型提取图像不同尺度下的特征。
步骤四,通过训练后的网络模型提取得到多尺度图像特征向量,多尺度图像特征向量经过广义均值池化方法输出该图像的特征向量。计算公式如下:
其中,k表示特征向量的维度,pk是指数,Xk是维度为k的特征图,||X||是计算特征图X的像素值的个数,x表示特征图中的像素值。
步骤五,对特征向量使用学习白化处理实现降维,它是池化后特征向量的一种重要的后处理方式。学习白化是在网络模型训练结束后利用SfM算法生成训练集得到学习白化矩阵,使用线性判别投影,白化的训练步骤如下:
白化部分是类内(匹配的图像对)协方差矩阵的平方根的倒数,计算公式如下:
其中,f(i)和f(j)是图像的特征向量,Y(i,j)=1表示图像对匹配,CS表示匹配图像对的协方差矩阵。
旋转部分是类间(不匹配的图像对)协方差矩阵的特征向量,计算公式如下:
其中,f(i)和f(j)是图像的特征向量,Y(i,j)=0表示图像对匹配,CD表示非匹配图像对的协方差矩阵。
最后将投影应用于其中μ是GeM向量的平均值,用来实现数据中心化。
步骤六,将得到的特征向量进行欧氏距离计算,根据欧式距离进行相似性排序,根据相似性排序结果输出查询图像的检索序列,通过计算mAP值可以测得检索的准确率。
采用VGG16初始化网络,通过上述步骤分别使用对比损失函数和分布熵增益损失函数训练网络。测试时对Oxford数据集执行上述步骤对经训练后网络模型输出的特征图使用GeM池化得到特征向量,经过白化处理后进行图像检索,检索结果采用平均准确率mAP(%)来衡量,表1的实验结果表明本发明提出的方法在图像检索领域取得了显著的提升效果,且具有广泛的应用前景。
表1
实验方法 | VGG16+GeM | VGG16+GeM+白化 |
对比损失 | 81.27 | 86.26 |
分布熵增益损失 | 82.58 | 87.47 |
Claims (7)
1.一种基于分布熵增益损失函数的图像检索算法,其特征在于所述图像检索算法包括如下步骤:
步骤一、构建分布熵增益损失函数:
L=L1+(0.1×L2);
其中,L表示分布熵增益损失函数,L1表示对比损失函数,L2表示特征向量相对熵;
步骤二、采用ResNet101和VGG16对卷积神经网络进行初始化;
步骤三、使用分布熵增益损失函数训练步骤二初始化得到的网络,在训练过程中通过反向传播调整网络参数,以得到更加符合图像检索需求的网络模型;
步骤四、对测试集中所有图像进行多尺度预处理,将预处理之后的多尺度图像输入到通过步骤三训练得到的网络模型中,通过训练后的网络模型提取不同尺度下的图像特征向量;
步骤五、对不同尺度下的图像特征向量使用广义均值池化方法、归一化处理和学习白化处理得到图像最终的特征向量;
步骤六、计算查询图像和测试集中其他图像特征向量的欧氏距离,将计算得到的值用来衡量图像的相似性,并根据相似性得到查询图像的检索序列。
2.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述对比损失函数公式如下:
其中,f(q)和f(i)表示图像的特征向量,||f(q)-f(i)||2表示向量f(q)和向量f(i)的欧式距离,r表示负样本损失函数值的上限,Y(q,i)为1表示匹配,Y(q,i)为0表示不匹配。
3.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述特征向量相对熵的计算公式如下:
其中,k表示特征向量的维度,p(xi)和q(xi)表示被比较的图像对特征向量指定维度数值在特征向量上的频率分布。
4.根据权利要求3所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述p(xi)的计算公式如下:
其中,i表示特征向量的维度编号,k表示特征向量的维度,xi表示特征向量上第i维上的值。
5.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述步骤一中,训练网络时采用的训练集是通过SfM算法得到的,在训练网络时,训练集数据以元组(q,m(q),N(q))的形式呈现,其中q是查询图像,m(q)是与查询匹配的图像,N(q)表示与查询不匹配的图像。
6.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述广义均值池化的计算公式如下:
其中,k表示特征向量的维度,pk是指数,Xk是维度为k的特征图,||X||是特征图X的像素值个数,x表示特征图中的像素值。
7.根据权利要求1所述的基于分布熵增益损失函数的图像检索算法,其特征在于所述欧氏距离计算公式如下:
其中,f(i)表示图像i输入网络模型后输出的特征向量,f(j)表示图像j输入网络模型后输出的特征向量,||f(i)-f(j)||2表示特征向量f(i)和特征向量f(j)每一维值差的平方和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340096.9A CN110321451B (zh) | 2019-04-25 | 2019-04-25 | 基于分布熵增益损失函数的图像检索算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340096.9A CN110321451B (zh) | 2019-04-25 | 2019-04-25 | 基于分布熵增益损失函数的图像检索算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321451A true CN110321451A (zh) | 2019-10-11 |
CN110321451B CN110321451B (zh) | 2022-08-05 |
Family
ID=68112929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910340096.9A Active CN110321451B (zh) | 2019-04-25 | 2019-04-25 | 基于分布熵增益损失函数的图像检索算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321451B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090768A (zh) * | 2019-12-17 | 2020-05-01 | 杭州深绘智能科技有限公司 | 一种基于深度卷积神经网络的相似图像检索系统和方法 |
CN111198964A (zh) * | 2020-01-10 | 2020-05-26 | 中国科学院自动化研究所 | 图像检索方法及系统 |
CN111461255A (zh) * | 2020-04-20 | 2020-07-28 | 武汉大学 | 一种基于间隔分布的Siamese网络图像识别方法及系统 |
CN111553428A (zh) * | 2020-04-30 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于训练判别模型的方法、装置、设备及可读存储介质 |
CN112183663A (zh) * | 2020-10-26 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN112199543A (zh) * | 2020-10-14 | 2021-01-08 | 哈尔滨工程大学 | 一种基于图像检索模型的对抗样本生成方法 |
CN115100462A (zh) * | 2022-06-20 | 2022-09-23 | 浙江方圆检测集团股份有限公司 | 一种基于回归预测的插座分类方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107273517A (zh) * | 2017-06-21 | 2017-10-20 | 复旦大学 | 基于图嵌入学习的图文跨模态检索方法 |
US20170351905A1 (en) * | 2016-06-06 | 2017-12-07 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与系统 |
CN107818314A (zh) * | 2017-11-22 | 2018-03-20 | 北京达佳互联信息技术有限公司 | 脸部图像处理方法、装置及服务器 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
CN108537264A (zh) * | 2018-03-30 | 2018-09-14 | 西安电子科技大学 | 基于深度学习的异源图像匹配方法 |
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和系统 |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
WO2018232378A1 (en) * | 2017-06-16 | 2018-12-20 | Markable, Inc. | Image processing system |
US10176405B1 (en) * | 2018-06-18 | 2019-01-08 | Inception Institute Of Artificial Intelligence | Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations |
CN109241313A (zh) * | 2018-08-14 | 2019-01-18 | 大连大学 | 一种基于高阶深度哈希学习的图像检索方法 |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
US20190065899A1 (en) * | 2017-08-30 | 2019-02-28 | Google Inc. | Distance Metric Learning Using Proxies |
US20190102678A1 (en) * | 2017-09-29 | 2019-04-04 | Samsung Electronics Co., Ltd. | Neural network recogntion and training method and apparatus |
-
2019
- 2019-04-25 CN CN201910340096.9A patent/CN110321451B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351905A1 (en) * | 2016-06-06 | 2017-12-07 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
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 |
WO2018232378A1 (en) * | 2017-06-16 | 2018-12-20 | Markable, Inc. | Image processing system |
CN107273517A (zh) * | 2017-06-21 | 2017-10-20 | 复旦大学 | 基于图嵌入学习的图文跨模态检索方法 |
CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与系统 |
US20190065899A1 (en) * | 2017-08-30 | 2019-02-28 | Google Inc. | Distance Metric Learning Using Proxies |
US20190102678A1 (en) * | 2017-09-29 | 2019-04-04 | Samsung Electronics Co., Ltd. | Neural network recogntion and training method and apparatus |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
CN107818314A (zh) * | 2017-11-22 | 2018-03-20 | 北京达佳互联信息技术有限公司 | 脸部图像处理方法、装置及服务器 |
CN108537264A (zh) * | 2018-03-30 | 2018-09-14 | 西安电子科技大学 | 基于深度学习的异源图像匹配方法 |
CN108875907A (zh) * | 2018-04-23 | 2018-11-23 | 北方工业大学 | 一种基于深度学习的指纹识别方法和装置 |
US10176405B1 (en) * | 2018-06-18 | 2019-01-08 | Inception Institute Of Artificial Intelligence | Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations |
CN108829848A (zh) * | 2018-06-20 | 2018-11-16 | 华中科技大学 | 一种图像检索方法和系统 |
CN109241313A (zh) * | 2018-08-14 | 2019-01-18 | 大连大学 | 一种基于高阶深度哈希学习的图像检索方法 |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
Non-Patent Citations (8)
Title |
---|
FILIP R: "Fine-tuning CNN Image Retrieval with No Human", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
FILIP RADENOVIC: "Revisiting Oxford and Paris: Large-Scale Image Retrieval Benchma", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
QIUZHAN ZHOU: "Distribution Entropy Boosted VLAD for", 《ENTROPY》 * |
周书仁等: "融合多尺度特征的深度哈希图像检索方法", 《计算机科学与探索》 * |
曹志义等: "基于半监督学习生成对抗网络的人脸还原算法研究", 《电子与信息学报》 * |
李尧: "基于深度学习的图像检索方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王宏宇: "网络不良图片识别技术研究", 《电脑知识与技术》 * |
陈首兵等: "基于孪生网络和重排序的行人重识别", 《计算机应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090768A (zh) * | 2019-12-17 | 2020-05-01 | 杭州深绘智能科技有限公司 | 一种基于深度卷积神经网络的相似图像检索系统和方法 |
CN111198964A (zh) * | 2020-01-10 | 2020-05-26 | 中国科学院自动化研究所 | 图像检索方法及系统 |
CN111198964B (zh) * | 2020-01-10 | 2023-04-25 | 中国科学院自动化研究所 | 图像检索方法及系统 |
CN111461255A (zh) * | 2020-04-20 | 2020-07-28 | 武汉大学 | 一种基于间隔分布的Siamese网络图像识别方法及系统 |
CN111461255B (zh) * | 2020-04-20 | 2022-07-05 | 武汉大学 | 一种基于间隔分布的Siamese网络图像识别方法及系统 |
CN111553428A (zh) * | 2020-04-30 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于训练判别模型的方法、装置、设备及可读存储介质 |
CN111553428B (zh) * | 2020-04-30 | 2024-01-12 | 北京百度网讯科技有限公司 | 用于训练判别模型的方法、装置、设备及可读存储介质 |
CN112199543A (zh) * | 2020-10-14 | 2021-01-08 | 哈尔滨工程大学 | 一种基于图像检索模型的对抗样本生成方法 |
CN112199543B (zh) * | 2020-10-14 | 2022-10-28 | 哈尔滨工程大学 | 一种基于图像检索模型的对抗样本生成方法 |
CN112183663A (zh) * | 2020-10-26 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN115100462A (zh) * | 2022-06-20 | 2022-09-23 | 浙江方圆检测集团股份有限公司 | 一种基于回归预测的插座分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110321451B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321451A (zh) | 基于分布熵增益损失函数的图像检索算法 | |
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN111881714A (zh) | 一种无监督跨域行人再识别方法 | |
CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
CN110097060A (zh) | 一种面向树干图像的开集识别方法 | |
CN106980809B (zh) | 一种基于asm的人脸特征点检测方法 | |
CN109815357A (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN108846404A (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
Huang et al. | MultiSpectralNet: Spectral clustering using deep neural network for multi-view data | |
CN109948534A (zh) | 采用快速密度峰值聚类进行人脸识别的方法 | |
WO2013159356A1 (zh) | 基于判别相关分析的跨媒体检索方法 | |
CN104143088B (zh) | 一种基于图像检索和特征权重学习的人脸识别方法 | |
Li et al. | A deep learning method for material performance recognition in laser additive manufacturing | |
CN115439884A (zh) | 一种基于双分支自注意力网络的行人属性识别方法 | |
Xing et al. | Fuzzy c-means algorithm automatically determining optimal number of clusters | |
CN109472307A (zh) | 一种训练图像分类模型的方法和装置 | |
CN110334226B (zh) | 融合特征分布熵的深度图像检索方法 | |
Zheng et al. | Boundary adjusted network based on cosine similarity for temporal action proposal generation | |
CN112364809A (zh) | 一种高准确率的人脸识别改进算法 | |
CN117036897A (zh) | 一种基于Meta RCNN的少样本目标检测方法 | |
CN104112147B (zh) | 一种基于最近特征线的人脸特征提取方法 | |
Sufikarimi et al. | Speed up biological inspired object recognition, HMAX | |
Ji et al. | Deep age estimation model stabilization from images to videos | |
Liu et al. | Fast weighted K-view-voting algorithm for image texture classification |
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 |