CN110765291A - 检索方法、装置及电子设备 - Google Patents
检索方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110765291A CN110765291A CN201911034408.XA CN201911034408A CN110765291A CN 110765291 A CN110765291 A CN 110765291A CN 201911034408 A CN201911034408 A CN 201911034408A CN 110765291 A CN110765291 A CN 110765291A
- Authority
- CN
- China
- Prior art keywords
- local
- depth
- feature
- features
- data
- 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
Links
Images
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种检索方法、装置及电子设备,涉及数据检索技术领域,包括获取待查询数据的深度特征和局部特征;根据深度特征索引库对待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,排名检索结果的数量为多个;根据局部特征索引库寻找排名检索结果的局部特征;根据欧氏距离方法对待查询数据的局部特征和排名检索结果的局部特征进行相似度排序,得到检索结果。本发明可以有效提升数据检索效率。
Description
技术领域
本发明涉及数据检索技术领域,尤其是涉及一种检索方法、装置及电子设备。
背景技术
在家装设计中,用户或设计者通常对设计出的原始图像数据通过网络进行检索,进而得到类别相同或相似的户型、模型素材等图像数据,为家装提供选择。但是,这种方法检索得到的图像数据,准确性较差,且为了寻找准确的图像数据,需要逐步搜索,造成检索过程比较繁琐,效率低下。
发明内容
本发明的目的在于提供了一种检索方法、装置及电子设备,可以有效提升数据检索效率。
第一方面,本发明提供了一种检索方法,其中,包括:
获取待查询数据的深度特征和局部特征;
根据深度特征索引库对所述待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,所述排名检索结果的数量为多个;
根据局部特征索引库寻找所述排名检索结果的局部特征;
根据欧氏距离方法对所述待查询数据的局部特征和所述排名检索结果的局部特征进行相似度排序,得到检索结果。
进一步的,所述获取待查询数据的深度特征和局部特征的步骤,包括:
根据深度神经网络模型提取待查询数据的深度特征;
根据所述特征编码码本对所述待查询数据进行特征编码,得到待查询数据的局部特征。
进一步的,所述获取待查询数据的深度特征和局部特征的步骤之前,还包括:
获取预设数据库中的图像数据;
基于深度神经网络模型对所述图像数据建立深度特征索引库;
提取所述图像数据的局部特征,并对所述局部特征进行降维处理得到特征编码码本;
根据所述特征编码码本对所述图像数据进行局部特征编码,得到局部特征索引库。
进一步的,所述获取预设数据库中的图像数据的步骤包括:
根据双线性插值法对所述预设数据库中的图片调整为预设尺寸;
将调整后的所述预设数据库中的图片调整为预设像素;
基于预设尺寸和所述预设像素得到图像数据。
进一步的,所述基于深度神经网络模型对所述图像数据建立深度特征索引库的步骤,包括:
根据交叉熵损失函数对预设家具数据集进行训练得到深度神经网络模型;
根据所述深度神经网络模型提取所述图像数据的深度特征;
根据L2范数对所述深度特征进行归一化处理,得到处理后的深度特征;
基于相似性搜索库按照倒排索引方法对所述处理后的深度特征建立深度特征索引库。
进一步的,所述对所述局部特征进行降维处理得到特征编码码本的步骤,包括:
根据主成分分析方法对所述局部特征进行降维处理,得到降维后的局部特征;
根据聚类算法提取所述降维后的局部特征的聚类信息,并根据所述聚类信息建立特征编码码本。
进一步的,所述根据所述特征编码码本对所述图像数据进行局部特征编码,得到局部特征索引库的步骤,包括:
根据聚合描述符方法按照所述特征编码码本对所述图像数据进行局部特征编码得到局部特征向量;
基于相似性搜索库按照倒排索引方法对所述局部特征向量建立局部特征索引库。
第二方面,本发明提供了一种检索装置,其中,包括:
数据获取单元,用于获取待查询数据的深度特征和局部特征;
排名检索单元,用于根据深度特征索引库对所述待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,所述排名检索结果的数量为多个;
寻找单元,用于根据局部特征索引库寻找所述排名检索结果的局部特征;
排序单元,用于根据欧氏距离方法对所述待查询数据的局部特征和所述排名检索结果的局部特征进行相似度排序,得到检索结果。
第三方面,本发明提供了一种电子设备,其中,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面所述的检索方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中,所述计算机程序被处理器运行时执行第一方面所述的检索方法的步骤。
本发明实施例带来了以下有益效果:
本发明提供了一种检索方法、装置及电子设备,首先通过获取待查询数据的深度特征和局部特征;再根据深度特征索引库对待查询数据的深度特征进行相似性排名检索,得到排名检索结果(数量为多个);接着根据局部特征索引库寻找排名检索结果的局部特征;最终根据欧氏距离方法对待查询数据的局部特征和排名检索结果的局部特征进行相似度排序,得到检索结果。通过上述实施方式,对获取的待查询数据的深度特征根据深度特征索引库首先进行相似性排名检索,再对排名检索结果根据局部特征索引库寻找其局部特征,最终根据欧氏距离方法进行相似度排序,得到检索结果,与现有技术需要通过网络逐步搜索相比,通过对待查询数据的深度特征与局部特征的联合检索,提高了检索准确性,减少了检索步骤,进而提升了检索效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种检索方法流程图;
图2为本发明实施例一提供的深度特征与局部特征索引库的建立方法流程图;
图3为本发明实施例一提供的深度特征索引库构造图;
图4为本发明实施例二提供的一种检索装置示意图;
图5为本发明实施例二提供的深度特征与局部特征索引库的建立装置示意图;
图6为本发明实施例提供的电子设备的结构示意图。
图标:401-数据获取单元;402-排名检索单元;403-寻找单元;404-排序单元;501-图像数据单元;502-深度特征索引库建立单元;503-特征编码码本单元;504-局部特征索引库建立单元;600-处理器;601-存储器;602-总线;603-通信接口。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有技术通过网络对原始图像数据进行检索,得到的图像数据准确性较差,且为了寻找准确的图像数据,需要逐步搜索,造成检索过程比较繁琐,效率低下的问题,本发明实施例提供了一种检索方法、装置及电子设备,该技术通过获取待查询数据的深度特征和局部特征;再根据深度特征索引库对所述待查询数据的深度特征进行相似性排名检索,得到排名检索结果(数量为多个);接着根据局部特征索引库寻找排名检索结果的局部特征;最终根据欧氏距离方法对待查询数据的局部特征和排名检索结果的局部特征进行相似度排序得到检索结果,可以有效提升数据检索效率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种检索方法进行详细介绍。
实施例一:
参照图1所示的一种检索方法流程图,可以由诸如计算机、处理器等电子设备执行,该方法主要包括步骤S101至步骤S104:
步骤S101,获取待查询数据的深度特征和局部特征。
其中,深度特征是基于家具数据集预训练的深度神经网络模型,通过使用cross-entropy loss(交叉熵损失函数)作为多分类损失函数提取的深度特征;局部特征是指包括SIFT(Scale-invariant feature transform,尺度不变特征变换)、SURF(Speeded UpRobust Features,加速稳健特征)、ORB(Oriented FAST and Rotated BRIEF,定向Fast特征和旋转不变BRIEF特征)等具有几何不变性的图像局部特征描述子,诸如,基于SIFT的图像,通过本实施方法,可以提取出能够反映此图像颜色、纹理、形状、空间并具有尺度、旋转、平移、光照不变性的局部特征。
步骤S102,根据深度特征索引库对待查询数据的深度特征进行相似性排名检索,得到排名检索结果。其中,排名检索结果的数量为多个。
步骤S103,根据局部特征索引库寻找排名检索结果的局部特征。
步骤S104,根据欧氏距离方法对待查询数据的局部特征和排名检索结果的局部特征进行相似度排序,得到检索结果。
在一种具体的实施方式中,诸如利用深度特征计算深度特征索引库中相似性排名的前k个结果,并根据检索结果找到局部特征检索引库中相应的k个局部特征,最终计算待查询数据局部特征与检索库中k个局部特征的特征相似性,实现检索相似度重排序,并输出检索结果。其中,特征相似度衡量方法为欧氏距离法,特征索引库检索方法为倒排索引。
在本实施例提供的上述方式中,对获取的待查询数据的深度特征根据深度特征索引库首先进行相似性排名检索,再对排名检索结果根据局部特征索引库寻找其局部特征,最终根据欧氏距离方法进行相似度排序,得到检索结果,与现有技术需要通过网络逐步搜索相比,通过对待查询数据的深度特征与局部特征的联合检索,提高了检索准确性,减少了检索步骤,进而提升了检索效率。
本实施例进一步给出了获取待查询数据的深度特征和局部特征的具体实施方式,包括:根据深度神经网络模型提取待查询数据的深度特征;根据特征编码码本对待查询数据进行特征编码,得到待查询数据的局部特征。
在本实施例提供的上述方式中,可以准确获取待查询数据的深度特征和局部特征。
为了对深度特征和局部特征进行检索,参照图2所示的深度特征与局部特征索引库的建立方法流程图,在获取待查询数据的深度特征和局部特征的步骤之前,还包括如下步骤:
步骤S201:获取预设数据库中的图像数据。
其中,预设数据库是已建立的户型图库,按照客餐厅、卧室、卫生间等均匀采样汇总出常用的模型效果图像。
步骤S202:基于深度神经网络模型对图像数据建立深度特征索引库。
为便于理解,示例性说明如下:如图3所示的深度特征索引库构造图,加载预训练的深度神经网络模型提取图像库深度卷积特征,经特征归一化后对图像数据建立深度特性索引库,其中,使用预先微调ImageNet(计算机视觉系统识别项目名称)千万级别视觉对象识别的大型可视化数据库数据预训练的vgg16(Visual Geometry Group,神经网络)深度卷积神经网络提取预处理图像的深度特征,模型分类类别数为59类,特征提取层为最后一层卷积层,经过全局最大池化后最终提取的特征向量维度为512维,使用归一化方法为L2范数归一化,利用Faiss相似性搜索库和倒排索引方法建立图像特征检索库,倒排单词数为100。
步骤S203:提取图像数据的局部特征,并对局部特征进行降维处理得到特征编码码本。
在一种具体的实施方式中,提取图像数据的SIFT局部特征,对于每一张图像只提取显著性排名的前500个SIFT特征,少于500则按总局部特征数提取。然后对所有的SIFT特征采用主成分分析方法降维至32维,通过流式Kmeans(k-means clustering algorithm,K均值聚类算法)方法提取降维后特征的聚类中心,聚类中心数为64,构造特征编码码本。
步骤S204:根据特征编码码本对图像数据进行局部特征编码,得到局部特征索引库。
在一种具体的实施方式中,利用局部特征聚合描述符VLAD方法对图像数据进行特征编码,得到局部特征编码。在特征编码过程中,每张图像计算所有SIFT特征离他最近的码本中心的距离残差,并加入到此聚类中心的特征残差计数数组中,经过L2范数归一化、信号平方根归一化和扁平化操作后的特征维度数为2048维。再利用Faiss相似性搜索库和倒排索引方法对局部特征编码建立图像数据的局部特征索引库,倒排单词数为100。
其中,本实施例进一步给出了获取预设数据库中的图像数据的具体实施方式,可以参照如下步骤1~步骤3实现:
步骤1:根据双线性插值法对预设数据库中的图片调整为预设尺寸。其中,预设尺寸可以是诸如256*256分辨率的图像。
步骤2:将调整后的预设数据库中的图片调整为预设像素,其中,预设像素可以是诸如像素值归一化到-1与1之间。
步骤3:基于预设尺寸和预设像素得到图像数据。
本实施例进一步给出了基于深度神经网络模型对图像数据建立深度特征索引库的具体实施方式,可以参照如下步骤a~步骤d实现:
步骤a:根据交叉熵损失函数对预设家具数据集进行训练得到深度神经网络模型。
步骤b:根据深度神经网络模型提取图像数据的深度特征。
步骤c:根据L2范数对深度特征进行归一化处理,得到处理后的深度特征。
步骤d:基于相似性搜索库按照倒排索引方法对处理后的深度特征建立深度特征索引库。
本实施例进一步给出了对局部特征进行降维处理得到特征编码码本的具体实施步骤,包括:(1)根据主成分分析方法对局部特征进行降维处理,得到降维后的局部特征;(2)根据聚类算法提取降维后的局部特征的聚类信息,并根据聚类信息建立特征编码码本。
本实施例进一步给出了根据所述特征编码码本对所述图像数据进行局部特征编码,得到局部特征索引库的步骤,包括:(1)根据聚合描述符方法按照特征编码码本对图像数据进行局部特征编码得到局部特征向量;(2)基于相似性搜索库按照倒排索引方法对局部特征向量建立局部特征索引库。
在本实施例提供的上述方式中,可以建立深度特征索引库和局部特征索引库,以便于对待查询数据的进行检索。
实施例二:
参照图4所示的一种检索装置示意图,包括:
数据获取单元401,用于获取待查询数据的深度特征和局部特征;
排名检索单元402,用于根据深度特征索引库对待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,排名检索结果的数量为多个。
寻找单元403,用于根据局部特征索引库寻找排名检索结果的局部特征;
排序单元404,用于根据欧氏距离方法对待查询数据的局部特征和排名检索结果的局部特征进行相似度排序,得到检索结果。
在本实施例提供的上述装置中,对获取的待查询数据的深度特征根据深度特征索引库首先进行相似性排名检索,再对排名检索结果根据局部特征索引库寻找其局部特征,最终根据欧氏距离方法进行相似度排序,得到检索结果,与现有技术需要通过网络逐步搜索相比,通过对待查询数据的深度特征与局部特征的联合检索,提高了检索准确性,减少了检索步骤,进而提升了检索效率。
在具体实施时,数据获取单元401还用于:
根据深度神经网络模型提取待查询数据的深度特征;
根据特征编码码本对待查询数据进行特征编码,得到待查询数据的局部特征。
在具体实施时,如图5所示的深度特征与局部特征索引库的建立装置示意图,该装置在执行数据获取单元401之前,还包括:
图像数据单元501,用于获取预设数据库中的图像数据;
深度特征索引库建立单元502,用于基于深度神经网络模型对图像数据建立深度特征索引库;
特征编码码本单元503,用于提取图像数据的局部特征,并对局部特征进行降维处理得到特征编码码本;
局部特征索引库建立单元504,用于根据特征编码码本对图像数据进行局部特征编码,得到局部特征索引库。
在具体实施时,图像数据单元501还用于:
根据双线性插值法对预设数据库中的图片调整为预设尺寸;
将调整后的预设数据库中的图片调整为预设像素;
基于预设尺寸和预设像素得到图像数据。
在具体实施时,深度特征索引库建立单元502还用于:
根据交叉熵损失函数对预设家具数据集进行训练得到深度神经网络模型;
根据深度神经网络模型提取图像数据的深度特征;
根据L2范数对深度特征进行归一化处理,得到处理后的深度特征;
基于相似性搜索库按照倒排索引方法对处理后的深度特征建立深度特征索引库。
在具体实施时,特征编码码本单元503还用于:
根据主成分分析方法对局部特征进行降维处理,得到降维后的局部特征;
根据聚类算法提取降维后的局部特征的聚类信息,并根据聚类信息建立特征编码码本。
在具体实施时,局部特征索引库建立单元504还用于:
根据聚合描述符方法按照特征编码码本对图像数据进行局部特征编码得到局部特征向量;
基于相似性搜索库按照倒排索引方法对局部特征向量建立局部特征索引库。
图6为本发明实施例提供的一种电子设备的结构示意图,该服务器包括:处理器600,存储器601,总线602和通信接口603,所述处理器600、通信接口603和存储器601通过总线602连接;处理器600用于执行存储器601中存储的可执行模块,例如计算机程序。
其中,存储器601可能包含高速随机存取存储器(RAM,Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线602可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器601用于存储程序,所述处理器600在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器600中,或者由处理器600实现。
处理器600可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601,处理器600读取存储器601中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其中,计算机程序被处理器运行时执行实施例一检索方法的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种检索方法,其特征在于,包括:
获取待查询数据的深度特征和局部特征;
根据深度特征索引库对所述待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,所述排名检索结果的数量为多个;
根据局部特征索引库寻找所述排名检索结果的局部特征;
根据欧氏距离方法对所述待查询数据的局部特征和所述排名检索结果的局部特征进行相似度排序,得到检索结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待查询数据的深度特征和局部特征的步骤,包括:
根据深度神经网络模型提取待查询数据的深度特征;
根据特征编码码本对所述待查询数据进行特征编码,得到待查询数据的局部特征。
3.根据权利要求1所述的方法,其特征在于,所述获取待查询数据的深度特征和局部特征的步骤之前,还包括:
获取预设数据库中的图像数据;
基于深度神经网络模型对所述图像数据建立深度特征索引库;
提取所述图像数据的局部特征,并对所述局部特征进行降维处理得到特征编码码本;
根据所述特征编码码本对所述图像数据进行局部特征编码,得到局部特征索引库。
4.根据权利要求3所述的方法,其特征在于,所述获取预设数据库中的图像数据的步骤包括:
根据双线性插值法对所述预设数据库中的图片调整为预设尺寸;
将调整后的所述预设数据库中的图片调整为预设像素;
基于预设尺寸和所述预设像素得到图像数据。
5.根据权利要求3所述的方法,其特征在于,所述基于深度神经网络模型对所述图像数据建立深度特征索引库的步骤,包括:
根据交叉熵损失函数对预设家具数据集进行训练得到深度神经网络模型;
根据所述深度神经网络模型提取所述图像数据的深度特征;
根据L2范数对所述深度特征进行归一化处理,得到处理后的深度特征;
基于相似性搜索库按照倒排索引方法对所述处理后的深度特征建立深度特征索引库。
6.根据权利要求3所述的方法,其特征在于,所述对所述局部特征进行降维处理得到特征编码码本的步骤,包括:
根据主成分分析方法对所述局部特征进行降维处理,得到降维后的局部特征;
根据聚类算法提取所述降维后的局部特征的聚类信息,并根据所述聚类信息建立特征编码码本。
7.根据权利要求3所述的方法,其特征在于,所述根据所述特征编码码本对所述图像数据进行局部特征编码,得到局部特征索引库的步骤,包括:
根据聚合描述符方法按照所述特征编码码本对所述图像数据进行局部特征编码得到局部特征向量;
基于相似性搜索库按照倒排索引方法对所述局部特征向量建立局部特征索引库。
8.一种检索装置,其特征在于,包括:
数据获取单元,用于获取待查询数据的深度特征和局部特征;
排名检索单元,用于根据深度特征索引库对所述待查询数据的深度特征进行相似性排名检索,得到排名检索结果,其中,所述排名检索结果的数量为多个;
寻找单元,用于根据局部特征索引库寻找所述排名检索结果的局部特征;
排序单元,用于根据欧氏距离方法对所述待查询数据的局部特征和所述排名检索结果的局部特征进行相似度排序,得到检索结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的检索方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034408.XA CN110765291A (zh) | 2019-10-28 | 2019-10-28 | 检索方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034408.XA CN110765291A (zh) | 2019-10-28 | 2019-10-28 | 检索方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765291A true CN110765291A (zh) | 2020-02-07 |
Family
ID=69334024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034408.XA Pending CN110765291A (zh) | 2019-10-28 | 2019-10-28 | 检索方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765291A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182264A (zh) * | 2020-10-10 | 2021-01-05 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN113763211A (zh) * | 2021-09-23 | 2021-12-07 | 支付宝(杭州)信息技术有限公司 | 基于区块链的侵权检测方法及装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
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 |
CN109740506A (zh) * | 2018-12-29 | 2019-05-10 | 广东三维家信息科技有限公司 | 一种户型图像识别方法及装置 |
CN110019910A (zh) * | 2017-12-29 | 2019-07-16 | 上海全土豆文化传播有限公司 | 图像检索方法及装置 |
CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
-
2019
- 2019-10-28 CN CN201911034408.XA patent/CN110765291A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
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 |
CN110019910A (zh) * | 2017-12-29 | 2019-07-16 | 上海全土豆文化传播有限公司 | 图像检索方法及装置 |
CN109740506A (zh) * | 2018-12-29 | 2019-05-10 | 广东三维家信息科技有限公司 | 一种户型图像识别方法及装置 |
CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182264A (zh) * | 2020-10-10 | 2021-01-05 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN112182264B (zh) * | 2020-10-10 | 2024-05-10 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN113763211A (zh) * | 2021-09-23 | 2021-12-07 | 支付宝(杭州)信息技术有限公司 | 基于区块链的侵权检测方法及装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586664B2 (en) | Image retrieval method and apparatus, and electronic device | |
Husain et al. | Improving large-scale image retrieval through robust aggregation of local descriptors | |
WO2022111069A1 (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN110555372A (zh) | 数据录入方法、装置、设备及存储介质 | |
KR101912748B1 (ko) | 확장성을 고려한 특징 기술자 생성 및 특징 기술자를 이용한 정합 장치 및 방법 | |
CN110321913B (zh) | 一种文本识别方法及装置 | |
CN110532413B (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
CN110825894A (zh) | 数据索引建立、数据检索方法、装置、设备和存储介质 | |
CN111428122A (zh) | 图片检索方法、装置及电子设备 | |
CN115937655B (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
US9734434B2 (en) | Feature interpolation | |
CN111651674B (zh) | 双向搜索方法、装置及电子设备 | |
CN110765291A (zh) | 检索方法、装置及电子设备 | |
WO2019100348A1 (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
CN110442749B (zh) | 视频帧处理方法及装置 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
JP6042778B2 (ja) | 画像に基づくバイナリ局所特徴ベクトルを用いた検索装置、システム、プログラム及び方法 | |
CN111291807A (zh) | 一种细粒度图像分类方法、装置及存储介质 | |
CN107909054B (zh) | 图片文本的相似度评价方法及装置 | |
CN111738173B (zh) | 视频片段检测方法、装置、电子设备及存储介质 | |
US20140270541A1 (en) | Apparatus and method for processing image based on feature point | |
CN108536769B (zh) | 图像分析方法、搜索方法及装置、计算机装置及存储介质 | |
CN112699260A (zh) | 物种识别方法及装置 | |
CN113159211B (zh) | 用于相似图像检索的方法、计算设备和计算机存储介质 |
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: 20200207 |