CN110609917A - 基于卷积神经网络和显著性检测的图像检索方法及系统 - Google Patents
基于卷积神经网络和显著性检测的图像检索方法及系统 Download PDFInfo
- Publication number
- CN110609917A CN110609917A CN201910731813.0A CN201910731813A CN110609917A CN 110609917 A CN110609917 A CN 110609917A CN 201910731813 A CN201910731813 A CN 201910731813A CN 110609917 A CN110609917 A CN 110609917A
- Authority
- CN
- China
- Prior art keywords
- image
- saliency
- neural network
- convolutional neural
- database
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于卷积神经网络和显著性检测的图像检索方法及系统,其方法包括:建立图像数据库,批量进行图像预处理;利用图像数据库训练基于VGG19图像卷积神经网络模型;采集待检测图像,并对其进行预处理,提取图像显著性区域,用卷积神经网络模型对图像数据库中的显著性图像特征向量提取,在将其进行卷积神经网络特征提取,放入图像特征数据库;对待检索的图像进行显著性提取特征,再进行卷积神经网络特征提取,将得到的特征向量与图像特征数据库中的每一个特征向量进行欧式距离计算相似度,按顺序将对应前n个图像反馈给用户。本发明的有益效果是:避免了图像旋转、平移等因素对检索结果造成的影响,适应能力强;提高了检索精度。
Description
技术领域
本发明涉及计算机视觉图像检索领域,尤其涉及一种基于卷积神经网络和显著性检测的图像检索方法及系统。
背景技术
近年来,随着互联网的快速发展和智能相机的普及,网络上存储的图片数量呈现指数式增长,引发了互联网图像数据过载难题,如何从海量图像中有效检索出用户感兴趣的图像成为当前图像处理与分析领域研究的热点话题。由于传统基于文本的检索人工标注成本高、存在用户主观性,图像检索技术由基于文本的检索逐渐发展成为基于内容的检索,基于内容的图像检索流程是通过提取诸如图像颜色、纹理、形状、sift等图像底层视觉特征,计算查询图像与测试图像特征的距离,返回与查询图像相同或最为相似的图像。但是,底层特征与高层语义之间存在语义鸿沟,不能准确反映出用户的检索意图。随着信息技术高速发展以及大数据时代的到来,不仅图像数量增多,而且图像内容也变得复杂多样,传统的基于内容的检索技术已无法满足用户的需求,检索结果容易受到图像缩放、平移、旋转的影响,图像的低级特征相对复杂,检索费时且准确率较低,在很多情况下,用户只会关注图像的部分区域,从整体图像提取的特征有部分无效,还会对图像检索带来消极影响。
随着计算机硬件的快速发展以及数据量的指数增长,深度学习技术特别是卷积神经网络能直接从图像数据中学习到数据的分布,已在图像分类、图像分割、目标检测、人脸识别等视觉任务中取得了成功,其准确率已经超越了人类。
发明内容
为了解决上述问题,本发明提供了一种基于卷积神经网络和显著性检测的图像检索方法及系统;一种基于卷积神经网络和显著性检测的图像检索方法,主要包括以下步骤:
S101:获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
S102:采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
S103:采用VGG19卷积神经网络对步骤S102中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
S104:采集待检索图像,并按照步骤S101~S103类似的方法得到所述待检索图像的特征向量;
S105:分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,n为根据实际需求进行预设,且n为大于0的整数。
进一步地,步骤S101中,所述图像数据库采用Caltech256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库。
进一步地,步骤S102中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
进一步地,步骤S103中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间。
进一步地,一种基于卷积神经网络和显著性检测的图像检索系统,其特征在于:包括以下模块:
图像数据库获取模块,用于获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
显著性区域提取模块,用于采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
图像特征向量生成模块,用于采用VGG19卷积神经网络对显著性区域提取模块中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
特征向量获取模块,用于采集待检索图像,并按照步骤图像数据库获取模块~图像特征向量生成模块类似的方法得到所述待检索图像的特征向量;
检索反馈模块,用于分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,n为根据实际需求进行预设,且n为大于0的整数。
进一步地,图像数据库获取模块中,所述图像数据库采用Caltech-256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库。
进一步地,显著性区域提取模块中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
进一步地,图像特征向量生成模块中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间。
本发明提供的技术方案带来的有益效果是:本发明所提出的技术方案具备以下优点:
1)根据卷积神经网络的自学习能力,避免了图像旋转、平移等因素对检索结果造成的影响,适应能力强;
2)利用卷积神经网络模型提取图像特征,有效解决了因图纹理复杂而导致特征表示不全面,从而导致检索精度不高的问题;
3)通过提取图像显著性区域,能有效降低用户不感兴趣区域对图像检索的干扰,提供图像检索精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于卷积神经网络和显著性检测的图像检索方法的流程图;
图2是本发明实施例中VGG19卷积神经网络的结构图;
图3是本发明实施例中的检索精度曲线图;
图4是本发明实施例中一种基于卷积神经网络和显著性检测的图像检索系统的模块组成示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于卷积神经网络和显著性检测的图像检索方法及系统。
请参考图1,图1是本发明实施例中一种基于卷积神经网络和显著性检测的图像检索方法的流程图,具体包括如下步骤:
S101:获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
S102:采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
S103:采用VGG19卷积神经网络对步骤S102中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
S104:采集待检索图像,并按照步骤S101~S103类似的方法得到所述待检索图像的特征向量;
S105:分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,n为根据实际需求进行预设,且n为大于0的整数。
步骤S101中,所述图像数据库采用Caltech256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库,以消除噪声信息对图像数据的干扰。
步骤S102中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
具体如下:
S201:提取输入图像不同尺度的图像层;图像层是对输入图像在不同细节程度的描述,图像层设定为3层,第1层的细节信息尽可能被保留,第2层,图像的细节消失,显现出图像的结构,第3层细节消失,显现为大尺度图像结构;采用分水岭分割算法生成一副初始化的过分分割图,计算每个区域分割的尺度,然后合并邻近的分割区域用以产生图像层;
S202:计算每个图像层的显著性线索;用于单层显著性的主要线索包括局部对比度和启发式位置:具体如下:
2.2.1、局部对比度是与周围颜色对比度较大的区域一般会更吸引人们的关注,局域对比度显著性线索定义如下:
上式中,Ri和Rj表示图像的两个区域,对应的颜色分别记为ci和cj,Rj区域的像素数目为w(Rj),表示区域Rj在空间上对区域Ri的显著性影响程度,n为图像中区域的总数;
2.2.2、启发式位置是人们在观察图像时,注意力倾向于图像中心区域,靠近图像中心区域显著性更高;启发式模型如下:
上式中,w(Ri)表示Ri区域的像素数目;λ控制位置线索与局部对比度线索的权重,xc为图像中心,{x0,x1,…}为区域Ri中像素坐标的集合,i的取值为[0,N],N为图形中像素总数。
请参阅图2,图2是本发明实施例中VGG19卷积神经网络的结构图;步骤S103中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间;其中,迁移学习训练以及参数微调的方法在本领域内已经公开了很多,可任意选择一种,能够达到相应的技术效果即可,此处不再赘述。
本发明基于卷积神经网络和显著性检测的图像检索方法的对应检索精度曲线图如图3所示。
请参阅图4,图4是本发明实施例中一种基于卷积神经网络和显著性检测的图像检索系统的模块组成示意图,其特征在于,该系统包括顺次连接的图像数据库获取模块11、显著性区域提取模块12、图像特征向量生成模块13、特征向量获取模块14和检索反馈模块15;
图像数据库获取模块11,用于获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
显著性区域提取模块12,用于采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
图像特征向量生成模块13,用于采用VGG19卷积神经网络对显著性区域提取模块中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
特征向量获取模块14,用于采集待检索图像,并按照步骤图像数据库获取模块~图像特征向量生成模块类似的方法得到所述待检索图像的特征向量;
检索反馈模块15,用于分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,欧式距离代表所述待检索图像与所述图像数据库中的图像的相似度,欧氏距离的值越小,代表越相似,反之,则越不相似;n为根据实际需求进行预设,且n为大于0的整数。
在本发明实施例中,图像数据库获取模块11中,所述图像数据库采用Caltech256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库。
在本发明实施例中,显著性区域提取模块12中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
在本发明实施例中,图像特征向量生成模块13中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间。
本发明的有益效果是:本发明所提出的技术方案具备以下优点:
1)根据卷积神经网络的自学习能力,避免了图像旋转、平移等因素对检索结果造成的影响,适应能力强;
2)利用卷积神经网络模型提取图像特征,有效解决了因图纹理复杂而导致特征表示不全面,从而导致检索精度不高的问题;
3)通过提取图像显著性区域,能有效降低用户不感兴趣区域对图像检索的干扰,提供图像检索精度。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于卷积神经网络和显著性检测的图像检索方法,其特征在于:包括以下步骤:
S101:获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
S102:采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
S103:采用VGG19卷积神经网络对步骤S102中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
S104:采集待检索图像,并按照步骤S101~S103类似的方法得到所述待检索图像的特征向量;
S105:分别计算所述待检索图像的特征向量与所述图像特征库中存放的各图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,n为根据实际需求进行预设,且n为大于0的整数。
2.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法,其特征在于:步骤S101中,所述图像数据库采用Caltech256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库。
3.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法,其特征在于:步骤S102中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
4.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法,其特征在于:步骤S103中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间。
5.一种基于卷积神经网络和显著性检测的图像检索系统,其特征在于:包括以下模块:
图像数据库获取模块,用于获取图像数据库,并对所述图像数据库中的图像进行预处理,得到预处理后的图像数据库;
显著性区域提取模块,用于采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域;
图像特征向量生成模块,用于采用VGG19卷积神经网络对显著性区域提取模块中提取出的各图像的显著性区域进行显著性图像特征提取,得到各图像的显著性区域对应的图像特征向量,并将所有的图像特征向量统一存放至图像特征库中;
特征向量获取模块,用于采集待检索图像,并按照步骤图像数据库获取模块~图像特征向量生成模块类似的方法得到所述待检索图像的特征向量;
检索反馈模块,用于分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离,并将计算得到的多个欧式距离从小到大进行排序,进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户,完成图像检索程序;其中,n为根据实际需求进行预设,且n为大于0的整数。
6.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统,其特征在于:图像数据库获取模块中,所述图像数据库采用Caltech256图像数据库;对所述图像数据库中的图像进行预处理,具体包括:
首先,将所述图像数据库中的图像统一缩放至预设大小,以便于后续使用;
然后,将缩放至预设大小的图像分别进行归一化和零均值化处理,得到预处理后的图像数据库。
7.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统,其特征在于:显著性区域提取模块中,采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域,具体包括:
首先,提取输入图像不同尺度的图像层;
然后,计算每个图像层的显著性线索;
最后,利用图模型将每个图像层的显著性线索融合成一张显著图,即该输入图像的显著性区域。
8.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统,其特征在于:图像特征向量生成模块中,所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型,在迁移学习训练过程中,只需根据实际需求,对所述预训练好的VGG19网络模型中的相关参数进行微调,从而大幅度减小训练时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910731813.0A CN110609917B (zh) | 2019-08-08 | 2019-08-08 | 基于卷积神经网络和显著性检测的图像检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910731813.0A CN110609917B (zh) | 2019-08-08 | 2019-08-08 | 基于卷积神经网络和显著性检测的图像检索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609917A true CN110609917A (zh) | 2019-12-24 |
CN110609917B CN110609917B (zh) | 2023-01-03 |
Family
ID=68889921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910731813.0A Active CN110609917B (zh) | 2019-08-08 | 2019-08-08 | 基于卷积神经网络和显著性检测的图像检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695572A (zh) * | 2019-12-27 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于卷积层特征提取的船只检索方法及装置 |
CN111694977A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种基于数据增强的车辆图像检索方法 |
CN111753877A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN112561876A (zh) * | 2020-12-14 | 2021-03-26 | 中南大学 | 基于图像的池塘和水库的水质检测方法及系统 |
CN113901250A (zh) * | 2021-10-09 | 2022-01-07 | 南京航空航天大学 | 一种基于显著性注意力的美容产品检索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108614884A (zh) * | 2018-05-03 | 2018-10-02 | 桂林电子科技大学 | 一种基于卷积神经网络的服装图像检索方法 |
CN109086405A (zh) * | 2018-08-01 | 2018-12-25 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
-
2019
- 2019-08-08 CN CN201910731813.0A patent/CN110609917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108614884A (zh) * | 2018-05-03 | 2018-10-02 | 桂林电子科技大学 | 一种基于卷积神经网络的服装图像检索方法 |
CN109086405A (zh) * | 2018-08-01 | 2018-12-25 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695572A (zh) * | 2019-12-27 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于卷积层特征提取的船只检索方法及装置 |
CN111753877A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN111753877B (zh) * | 2020-05-19 | 2024-03-05 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN111694977A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种基于数据增强的车辆图像检索方法 |
CN112561876A (zh) * | 2020-12-14 | 2021-03-26 | 中南大学 | 基于图像的池塘和水库的水质检测方法及系统 |
CN112561876B (zh) * | 2020-12-14 | 2024-02-23 | 中南大学 | 基于图像的池塘和水库的水质检测方法及系统 |
CN113901250A (zh) * | 2021-10-09 | 2022-01-07 | 南京航空航天大学 | 一种基于显著性注意力的美容产品检索方法 |
CN113901250B (zh) * | 2021-10-09 | 2023-07-21 | 南京航空航天大学 | 一种基于显著性注意力的美容产品检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110609917B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609917B (zh) | 基于卷积神经网络和显著性检测的图像检索方法及系统 | |
Li et al. | ASIF-Net: Attention steered interweave fusion network for RGB-D salient object detection | |
Qu et al. | RGBD salient object detection via deep fusion | |
Zhang et al. | Detection of co-salient objects by looking deep and wide | |
Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
Geng et al. | Using deep learning in infrared images to enable human gesture recognition for autonomous vehicles | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN111339343A (zh) | 图像检索方法、装置、存储介质及设备 | |
Li et al. | Recent advances of machine vision technology in fish classification | |
CN109710804B (zh) | 一种教学视频图像知识点降维分析方法 | |
Qi et al. | Personalized sketch-based image retrieval by convolutional neural network and deep transfer learning | |
CN111814611A (zh) | 一种嵌入高阶信息的多尺度人脸年龄估计方法及系统 | |
Zhang et al. | Deep salient object detection by integrating multi-level cues | |
Zhang et al. | High-quality face image generation based on generative adversarial networks | |
Cai et al. | A novel saliency detection algorithm based on adversarial learning model | |
CN111108508A (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN112507924A (zh) | 一种3d手势识别方法、装置及系统 | |
Tiwari et al. | Machine learning approaches for face identification feed forward algorithms | |
CN111709317A (zh) | 一种基于显著性模型下多尺度特征的行人重识别方法 | |
Bengamra et al. | A comprehensive survey on object detection in Visual Art: taxonomy and challenge | |
Ko et al. | SVM-based salient region (s) extraction method for image retrieval | |
CN114743045B (zh) | 一种基于双分支区域建议网络的小样本目标检测方法 | |
Jabnoun et al. | Visual scene prediction for blind people based on object recognition | |
CN114387489A (zh) | 电力设备识别方法、装置和终端设备 |
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 |