CN112100412A - 图片检索方法、装置、计算机设备和存储介质 - Google Patents
图片检索方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112100412A CN112100412A CN202010901740.8A CN202010901740A CN112100412A CN 112100412 A CN112100412 A CN 112100412A CN 202010901740 A CN202010901740 A CN 202010901740A CN 112100412 A CN112100412 A CN 112100412A
- Authority
- CN
- China
- Prior art keywords
- picture
- index value
- storage
- pictures
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 137
- 238000000605 extraction Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/55—Clustering; Classification
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种图片检索方法、装置、计算机设备和存储介质。所述方法通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量，再对各特征向量进行压缩和降维处理，得到待入库图片的多个索引值，并根据待入库图片的多个索引值，从检索图片库中获取与各索引值对应的候选图片集，然后将待入库图片与各索引值对应的候选图片集中的图片依次进行比对，确定与待入库图片相似的图片。由于在提取待入库图片的特征向量时，是使用多种类型的特征提取网络进行提取的，而不同类型的特征提取网络提取出的多个特征向量可以更加全面的代表待入库图片的特征，因此计算机设备在利用待入库图片的特征进行检索时，可以提高检索的准确性。
Description
技术领域
本申请涉及数据分析技术领域，特别是涉及一种图片检索方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的快速发展，以及互联网的普及应用，越来越多的用户通过互联网获取所需的图片，以及将各自的图片存储到互联网数据库中，那么随着图片数量的积累，数据库中积累了海量的图片，如何在海量的图片中准确且高效的检索出所需要的图片，成为了当下信息管理人员比较关注的问题。
目前，现有的图片检索方式普遍采用一种卷积神经网络提取待检索图片的特征，得到代表待检索图片的特征向量，然后根据待检索图片的特征向量从互联网数据库中筛选出符合条件的图片，检索出的图片为与待检索图片重合或最为相似的图片。
但是，上述图片检索方法存在检索准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提高检索准确性的图片检索方法、装置、计算机设备和存储介质。
第一方面，一种图片检索方法，所述方法包括：
通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
在其中一个实施例中，所述根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集，包括：
根据所述待入库图片的多个索引值和查询表，确定各所述索引值对应的目标索引值；
根据索引值与图片集之间的对应关系，从所述检索图片库中获取各所述目标索引值对应的候选图片集。
在其中一个实施例中，所述根据所述待入库图片的多个索引值和查询表，确定各所述索引值对应的目标索引值，包括：
根据所述待入库图片的多个索引值查询第一查询表；所述第一查询表中包括索引值与候选图片集之间的对应关系；
若所述第一查询表中存在与所述待入库图片的索引值相同的索引值，则将与所述待入库图片的索引值相同的索引值确定为所述目标索引值；
若所述第一查询表中不存在与所述待入库图片的索引值相同的索引值，则根据所述待入库图片的索引值在第二查询表中查找与所述待入库图片的索引值对应的目标索引值；所述第二查询表包括索引值与候选索引值之间的对应关系，且所述索引值与对应的候选索引值之间的距离值最小。
在其中一个实施例中，获取所述第二查询表的方法，包括：
针对每个预设的索引值，计算所述预设的索引值与其它索引值之间的距离值；
将距离值最小的其它索引值确定为所述预设的索引值的候选索引值，建立所述索引值与候选索引值之间的对应关系，得到所述第二查询表。
在其中一个实施例中，所述方法还包括：
通过至少两种不同类型的特征提取网络获取所述检索图片库中图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述检索图片库中各图片的多个索引值；
将相同的索引值对应的图片确定为同一图片集，并建立所述检索图片库中各图片的索引值与图片集之间的对应关系，得到所述第一查询表。
在其中一个实施例中，所述将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片，包括：
依次从各所述候选图片集中获取待比对图片；
通过至少两种不同类型的特征提取网络获取待比对图片的多个特征向量；
计算每个所述特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离；
计算各个所述特征提取网络对应的距离的平均值；
若所述平均值小于预设距离阈值，则确定所述待比对图片与所述待入库图片相似。
在其中一个实施例中，所述方法还包括：
获取样本图片集，并将所述样本图片集划分为第一样本图片集和第二样本图片集；所述第一样本图片集中各图片之间的相似度大于预设相似度阈值，所述第二样本图片集中各图片之间的相似度小于所述预设相似度阈值；
计算所述第一样本图片集中各图片的特征向量之间的第一余弦距离；
计算所述第二样本图片集中各图片的特征向量之间的第二余弦距离；
根据所述第一余弦距离和所述第二余弦距离，确定所述预设距离阈值。
在其中一个实施例中，所述对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值，包括：
对各所述特征向量进行乘积量化，得到各所述特征向量的短向量；
对各所述短向量进行聚类分析，得到所述待入库图片的多个索引值。
在其中一个实施例中，所述特征提取网络包括Resnet网络、VGGNet网络、GoogLeNet网络中的至少两种。
第二方面，一种图片检索装置，所述装置包括：
第一获取模块，用于通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
处理模块，用于对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
第二获取模块，用于根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
比对获取模块，用于将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的图片检索方法。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的图片检索方法。
上述图片检索方法、装置、计算机设备和存储介质，通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量，再对各特征向量进行压缩和降维处理，得到待入库图片的多个索引值，并根据待入库图片的多个索引值，从检索图片库中获取与各索引值对应的候选图片集，然后将待入库图片与各索引值对应的候选图片集中的图片依次进行比对，确定与待入库图片相似的图片。由于在提取待入库图片的特征向量时，是使用多种类型的特征提取网络进行提取的，而不同类型的特征提取网络提取的特征向量之间具有互补性，以及不同类型的特征提取网络提取出的多个特征向量可以更加全面的代表待入库图片的特征，因此计算机设备在利用待入库图片的特征进行检索时，可以提高检索的准确性。另外，由于在上述检索过程中，计算机设备先根据待入库图片的索引值，从检索图片库中筛选出了与索引值对应的候选图片集，再基于该候选图片集对待入库图片进行检索，实现了从原来包含海量图片的检索图片库中筛选出部分图片形成候选图片集进行检索，极大的缩减了检索范围，从而提高了检索效率。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中图片检索方法的流程示意图；
图3为一个实施例中S103步骤的流程示意图；
图4为一个实施例中S201步骤的流程示意图；
图5为一个实施例中图片检索方法的流程示意图；
图6为一个实施例中图片检索方法的流程示意图；
图7为一个实施例中S104步骤的流程示意图；
图8为一个实施例中图片检索方法的流程示意图；
图9为一个实施例中S102步骤的流程示意图；
图10为一个实施例中图片检索方法的流程示意图；
图11为一个实施例中图片检索装置的结构框图；
图12为一个实施例中图片检索装置的结构框图；
图13为一个实施例中图片检索装置的结构框图；
图14为一个实施例中图片检索装置的结构框图；
图15为一个实施例中图片检索装置的结构框图；
图16为一个实施例中图片检索装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图片检索方法，可以应用于如图1所示的计算机设备中，该计算机设备可以是服务器，该计算机设备也可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图片检索方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，提供了一种图片检索方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S101，通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量。
其中，待入库图片也为待检索的图片，其可以是任何类型的图片，例如，人脸图片、景物图片等，对于图片的类型此处不做限定。特征提取网络可以是一种卷积神经网络，也可以是其它机器学习网络。特征提取网络可以是诸如Resnet网络、VGGNet网络、GoogLeNet网络等其中一种用于提取图片特征的网络。
具体地，当计算机设备获取到待入库图片时，可以进一步的采用至少两种不同类型的特征提取网络对待入库图片进行特征提取，得到该待入库图片的多个特征向量。例如，计算机设备可以采用Resnet网络和VGGNet网络分别对待入库图片进行特征提取，得到Resnet网络输出的特征向量和VGGNet网络输出的特征向量，即待入库图片的多个特征向量。
可选地，本实施例中计算机设备可以采用三种类型的特征提取网络对待入库图片进行特征提取，这三种类型的特征提取网络包括Resnet网络、VGGNet网络和GoogLeNet网络。其中Resnet网络利用残差网络结构解决深层网络的梯度消失问题，可以构成出更深层次的网络结构，提取图片特征效果更好；VGGNet网络类似于AlexNet，但VGGNet使用数量更多、尺寸更小的卷积核，这样增加非线性变换的次数，增加CNN对特征的学习能力，使得提取更细致图片特征。GoogLeNet网络的Inception结构在增加网络深度和宽度的同时减少参数，所以可以设置成更深的网络结构，增强图片特征提取能力。显然，上述三种类型的特征提取网络具有各自的优势，且相互具有互补性，因此本实施例采用这三种类型的特征提取网络对待入库图片进行特征提取，提取的特征向量更加准确和全面，进而可以提高后期比对图片时的准确度。
S102，对各特征向量进行压缩和降维处理，得到待入库图片的多个索引值。
其中，压缩和降维处理是指将高维的特征向量转换成多个低维的短向量。索引值代表聚类中心，是计算机设备对短向量进行聚类处理后得到的短向量对应的聚类中心。
具体地，当计算机设备获取到待入库图片的多个特征向量后，由于各特征向量均是高维的，因此计算机设备可以对各特征向量进行压缩和降维处理，将高维的特征向量转换成多个低维的短向量，再对各短向量进行聚类处理，得到各短向量对应的索引值，即可得到待入库图片的多个索引值。至于计算机设备压缩和降维时采用的方法，计算机设备可以采用现有的压缩和降维方法，例如，乘积量化(Product Quantization，PQ)算法。再例如，若存在一个维度为D维的特征向量，则计算机设备可以采用PQ算法对该特征向量进行压缩和降维处理，可以得到M个d维的短向量(D＝M*d)，再利用K-近邻算法(K-NearestNeighbor，kNN)对每个短向量进行聚类处理，进而将特征向量压缩成M个索引值，每个索引值对应一个聚类中心。
S103，根据待入库图片的多个索引值，从检索图片库中获取与各索引值对应的候选图片集。
其中，检索图片库为被检索的图片库，其可以是互联网数据库，或是其它类型的数据库。检索图片库中存储了海量的图片，作为数据储备库为用户提供数据信息查询渠道。
具体地，当计算机设备获取到待入库图片的多个索引值后，可以先根据这多个索引值查找到各索引值下存放的图片集，再直接在检索图片库中获取这些图片集，然后将获取到的这些图片集作为各索引值对应的候选图片集，以便之后基于候选图片集进行检索。
S104，将待入库图片与各索引值对应的候选图片集中的图片依次进行比对，确定与待入库图片相似的图片。
具体地，当计算机设备获取到各索引值对应的候选图片集后，即可在各候选图片集中开始检索与待入库图片相似的图片，具体在检索时，可以将待入库图片与各候选图片集中的图片一一进行比对，检索出与待入库图片相似的图片。可选地，计算机设备在比对时，可以具体计算待入库图片与候选图片集中各图片之间的相似度，从而根据相似度确定候选图片集中是否存在与待入库图片相似的图片；可选地，计算机设备在比对时，也可以具体计算待入库图片的特征向量与候选图片集中各图片的特征向量之间的欧氏距离或余弦距离，从而根据特征向量的欧氏距离或余弦距离，确定候选图片集中是否存在与待入库图片相似的图片。当计算机设备确定了各候选图片集中与待入库图片相似的图片后，还可以对候选图片集进行去重处理。
上述实施例提供的图片检索方法，包括：通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量，再对各特征向量进行压缩和降维处理，得到待入库图片的多个索引值，并根据待入库图片的多个索引值，从检索图片库中获取与各索引值对应的候选图片集，然后将待入库图片与各索引值对应的候选图片集中的图片依次进行比对，确定与待入库图片相似的图片。由于在提取待入库图片的特征向量时，是使用多种类型的特征提取网络进行提取的，而不同类型的特征提取网络提取的特征向量之间具有互补性，以及不同类型的特征提取网络提取出的多个特征向量可以更加全面的代表待入库图片的特征，因此计算机设备在利用待入库图片的特征进行检索时，可以提高检索的准确性。另外，由于在上述检索过程中，计算机设备先根据待入库图片的索引值，从检索图片库中筛选出了与索引值对应的候选图片集，再基于该候选图片集对待入库图片进行检索，实现了从原来包含海量图片的检索图片库中筛选出部分图片形成候选图片集进行检索，极大的缩减了检索范围，从而提高了检索效率。
在一个实施例中，提供了上述S103的具体实现方式，如图3所示，上述S103“根据待入库图片的多个索引值，从检索图片库中获取与各索引值对应的候选图片集”，包括：
S201，根据待入库图片的多个索引值和查询表，确定各索引值对应的目标索引值。
其中，查询表是计算机设备预先设置的，查询表中可以包含索引值与图片集之间的对应关系，也可以包含各索引值相互之间的距离关系等。
具体地，计算机设备可以预先对检索图片库中的各图片进行分析处理，得到各图片的索引值以及各索引值下的图片集，然后建立索引值与图片集之间的对应关系，以及各索引值之间的距离关系，再将这些对应关系记录在查询表中。在实际应用中，当计算机设备获取到待入库图片的多个索引值时，即可在上述查询表中查找与待入库图片的多个索引值相关的索引值，且将找到的索引值确定为目标索引值，以便之后计算机设备可以根据目标索引值查找图片集。
S202，根据索引值与图片集之间的对应关系，从检索图片库中获取各目标索引值对应的候选图片集。
具体地，当计算机设备获取到目标索引值后，即可在查询表中确定出与目标索引值对应的图片集有哪些，然后再相应的从检索图片库中筛选出这些图片集作为候选图片集，以便之后基于候选图片集进行检索。
上述实施例所述的方法通过查找查询表中的信息即可实现对检索图片库中海量图片的筛选，从而得到需要的候选图片集进行检索，达到了缩减检索范围的目的，可以极大的提高检索效率。
在一个实施例中，提供了上述S201的具体实现方式，如图4所示，上述S201“根据待入库图片的多个索引值和查询表，确定各索引值对应的目标索引值”，包括：
S301，根据待入库图片的多个索引值查询第一查询表；第一查询表中包括索引值与图片集之间的对应关系。
其中，第一查询表是计算机设备根据索引值与图片集之间的对应关系预先设置的。具体地，计算机设备可以预先对检索图片库中的各图片进行聚类处理，得到各图片的索引值和各索引值下的图片集，然后建立索引值与图片集之间的对应关系，再将这些对应关系记录在第一查询表中。当计算机设备获取到待入库图片的多个索引值时，可以进一步的查询预设的第一查询表，以确定第一查询表中是否存在与待入库图片的多个索引值相同的索引值。
S302，若第一查询表中存在与待入库图片的索引值相同的索引值，则将与待入库图片的索引值相同的索引值确定为目标索引值。
具体地，当计算机设备在第一查询表中查找到与待入库图片的索引值相同的索引值时，说明第一查询表中直接有与待入库图片的索引值对应的图片集，在此情景下，计算机设备直接将第一查询表中与待入库图片的索引值相同的索引值确定为目标索引值。
S303，若第一查询表中不存在与待入库图片的索引值相同的索引值，则根据待入库图片的索引值在第二查询表中查找与待入库图片的索引值对应的目标索引值；第二查询表包括索引值与候选索引值之间的对应关系，且索引值与对应的候选索引值之间的距离值最小。
其中，第二查询表是计算机设备预先根据各索引值之间的距离关系设置的。具体地，当计算机设备在第一查询表中查找不到与待入库图片的索引值相同的索引值时，说明第一查询表中没有直接与待入库图片的索引值对应的图片集，在此情景下，计算机设备可以根据第二查询表确定与待入库图片的索引值对应的目标索引值。具体在确定时，计算机设备可以根据待入库图片的索引值在第二查询表中查找到对应的候选索引值，并将对应的候选索引值确定为与待入库图片的索引值对应的目标索引值。由于候选索引值与待入库图片的索引值之间的距离值最小，说明计算机设备可以使用候选索引值替代待入库图片的索引值在第一查询表中查找图片集，因此在第一查询表中找不到待入库图片的索引值的情况下，计算机设备可以根据候选索引值确定目标索引值，以便之后可以根据目标索引值在第一查询表中查找到对应的图片集。
上述实施例通过查找第一查询表和第二查询表确定目标索引值的方法，是针对实际应用中各种可能发生的应用场景，使计算机设备无论在哪种应用场景下都可以确定目标索引值，进而根据目标索引值查找到图片集进行检索，提高了检索效率。
在一个实施例中，还提供了获取上述第一查询表的方法，如图5所示，该方法包括：
S401，通过至少两种不同类型的特征提取网络获取检索图片库中图片的多个特征向量。
具体地，当计算机设备获取到预设的检索图片库中图片时，可以进一步的采用至少两种不同类型的特征提取网络对检索图片库中各图片进行特征提取，得到各图片的多个特征向量。例如，计算机设备可以采用Resnet网络、VGGNet网络、GoogLeNet网络分别对待入库图片进行特征提取，得到Resnet网络输出的特征向量、VGGNet网络输出的特征向量、GoogLeNet网络输出的特征向量，即检索图片库中每张图片的多个特征向量。
S402，对各特征向量进行压缩和降维处理，得到检索图片库中各图片的多个索引值。
具体地，当计算机设备获取到检索图片库中各图片的多个特征向量后，计算机设备可以对每个图片的特征向量进行压缩和降维处理，将高维的特征向量转换成多个低维的短向量，再对各短向量进行聚类处理，得到各短向量对应的索引值，即可得到检索图片库中各图片的多个索引值。
S403，将相同的索引值对应的图片确定为同一图片集，并建立检索图片库中各图片的索引值与图片集之间的对应关系，得到第一查询表。
具体地，当计算机设备得到检索图片库中各图片的多个索引值时，即可根据各图片的索引值将检索图片库中的图片进行分类，将相同的索引值对应的图片确定为同一图片集，然后建立检索图片库中各图片的索引值与图片集之间的对应关系，得到第一查询表。
上述实施例涉及线下建立第一查询表的过程，为后期对待入库图片进行检索提供了快速确定候选图片集的方法，即仅需要计算机设备查询第一查询表中索引值即可快速的得到检索时使用的候选图片集，提高了检索速度。
在一个实施例中，还提供了获取上述第二查询表的方法，如图6所示，该方法包括：
S501，针对每个预设的索引值，计算预设的索引值与其它索引值之间的距离值。
具体地，计算机设备可以预先对检索图片库中的图片进行聚类处理，得到聚类后的所有索引值，然后计算机设备在所有索引值中依次选取任一索引值作为预设的索引值，并针对每个预设的索引值，计算每个预设的索引值与其它索引值之间的距离值。
S502，将距离值最小的其它索引值确定为预设的索引值的候选索引值，建立索引值与候选索引值之间的对应关系，得到第二查询表。
具体地，当计算机设备得到每个预设的索引值与其它索引值之间的距离值时，可以比较每个预设的索引值与其它索引值之间的距离值，然后将其中最小的索引值确定为每个预设的索引值对应的候选索引值，并建立每个预设的索引值与对应的候选索引值之间的对应关系，以及将该对应关系记录在第二查询表中。
上述实施例涉及线下建立第二查询表的过程，为后期对待入库图片进行检索提供了快速确定目标索引值的方法，即仅需要计算机设备查询第二查询表中索引值即可快速的得到目标索引值，进而根据目标索引值得到检索时使用的候选图片集，提高了检索速度。
在一个实施例中，还提供了上述S104的一种实现方式，如图7所示，上述S104“将待入库图片与各索引值对应的候选图片集中的图片依次进行比对，确定与待入库图片重合相似的图片”，包括：
S601，依次从各候选图片集中获取待比对图片。
具体地，计算机设备获取到各候选图片集时，即可在各候选图片集中依次选择出任一图片作为待比对图片与待入库图片进行比对。
S602，通过至少两种不同类型的特征提取网络获取待比对图片的多个特征向量。
本实施例涉及对待对比图片进行特征提取的过程，与前述S101步骤所述的方法相同，详细内容请参见前述说明，此处不赘述。
S603，计算每个特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离。
具体地，由于待比对图片的特征向量是由多种类型的特征提取网络提取得到的，以及待入库图片的特征向量也是由多种类型的特征提取网络提取得到的，因此，当计算机设备获取到待比对图片的各特征向量和待入库图片的各特征向量时，计算机设备可以计算每个特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离。
S604，计算各个特征提取网络对应的距离的平均值。
具体地，当计算机设备得到每个特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离后，可以进一步的计算多个特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离的平均值。
S605，若平均值小于预设距离阈值，则确定待比对图片与待入库图片相似。
其中，预设距离阈值可以由计算机设备预先根据实际应用需求确定。具体地，当计算机设备计算得到各个特征提取网络对应的距离的平均值时，可以进一步的将平均值与预设距离阈值进行比较，若平均值小于预设距离阈值，则确定与该平均值对应的待比对图片为检索出的图片，即与待入库图片相似的图片。若平均值不小于预设距离阈值，则确定待入库图片与平均值对应的待比对图片不相似。
上述方法涉及待入库图片与待比对图片进行比对的过程，在此过程中，同样使用多种类型的特征提取网络对待比对图片进行特征提取，再将各特征提取网络输出的特征向量与待入库图片的各特征提取网络输出的特征向量进行比对，最后根据比对结果确定检索结果。这样的方法使待入库图片与待比对图片可以从多个特征向量进行比较，比较的特征更加细致，从而使最终得到的检索结果更加准确。
在实际应用中，还提供了确定上述预设距离阈值的方法，如图8所示，该方法包括：
S701，获取样本图片集，并将样本图片集划分为第一样本图片集和第二样本图片集；第一样本图片集中各图片之间的相似度大于预设相似度阈值，第二样本图片集中各图片之间的相似度小于预设相似度阈值。
其中，预设相似度阈值可以由计算机设备预先根据实际应用需求确定。具体地，计算机设备可以给定多组相似图片形成第一样本图片集，以及多组不相似图片形成第二样本图片集，再给每张图片进行随机翻折、平移、缩放、旋转灯操作扩充第一样本图片集，最后形成样本图片集。对于相似度大于预设相似度阈值的各图片，说明各图片为相似的图片，对于相似度小于预设相似度阈值的各图片，说明各图片为不相似的图片。
S702，计算第一样本图片集中各图片的特征向量之间的第一余弦距离。
具体地，当计算机设备获取第一样本图片集时，可以对该第一样本图片集中的各图片进行特征提取，得到各图片的特征向量，再计算各图片的特征向量之间的第一余弦距离。需要说明的是，在进行特征提取时，可以采用至少两种类型的特征提取网络对第一样本图片集中的各图片进行特征提取。
S703，计算第二样本图片集中各图片的特征向量之间的第二余弦距离。
具体地，当计算机设备获取第二样本图片集时，可以对该第二样本图片集中的各图片进行特征提取，得到各图片的特征向量，再计算各图片的特征向量之间的第二余弦距离。需要说明的是，在进行特征提取时，也可以采用至少两种类型的特征提取网络对第二样本图片集中的各图片进行特征提取。
S704，根据第一余弦距离和第二余弦距离，确定预设距离阈值。
具体地，当计算机设备得到第一余弦距离和第二余弦距离时，可以根据实际应用需求在第一余弦距离和第二余弦距离之间选择一个余弦距离作为预设距离阈值。比如，当需要提高检索精度时，计算机设备可以将预设距离阈值设置的大些；当需要检索出更多图片时，计算机设备可以将预设距离阈值设置的适当的小些。
上述根据样本图片集确定预设距离阈值的方法，可以得到准确的预设距离阈值，以使计算机设备之后使用该预设距离阈值衡量待入库图片和待比对图片之间的相似程度，从而基于相似程度得到检索结果时，可以更加准确的得到检索结果。另外，该预设距离阈值可以根据实际检索要求进行灵活调整，达到保证检索准确度的同时，还可以保证检索效率。
在一个实施例中，提供了上述S102的一种实现方式，如图9所示，上述S102“对各特征向量进行压缩和降维处理，得到待入库图片的多个索引值”，包括：
S801，对各特征向量进行乘积量化，得到各特征向量的短向量。
S802，对各短向量进行聚类分析，得到待入库图片的多个索引值。
上述实施例涉及对高维的特征向量进行压缩和降维处理的过程，在此过程中可以采用PQ算法实现，具体实现过程可参见前述对S102的说明，此处不赘述。
综合上述所有实施例，本申请还提供了一种图片检索方法，如图10所示，该方法包括：
S901，通过至少两种不同类型的特征提取网络获取检索图片库中图片的多个特征向量。
S902，对各特征向量进行压缩和降维处理，得到检索图片库中各图片的多个索引值。
S903，将相同的索引值对应的图片确定为同一图片集，并建立检索图片库中各图片的索引值与图片集之间的对应关系，得到第一查询表。
S904，对检索图片库中的图片进行聚类处理，得到聚类后的所有索引值。
S905，在所有索引值中依次选取任一索引值作为预设的索引值。
S906，针对每个预设的索引值，计算预设的索引值与其它索引值之间的距离值。
S907，将距离值最小的其它索引值确定为预设的索引值的候选索引值，建立索引值与候选索引值之间的对应关系，得到第二查询表。
S908，通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量。
S909，对各特征向量进行乘积量化，得到各特征向量的短向量。
S910，对各短向量进行聚类分析，得到待入库图片的多个索引值。
S911，根据待入库图片的多个索引值查询第一查询表；第一查询表中包括索引值与图片集之间的对应关系。
S912，若第一查询表中存在与待入库图片的索引值相同的索引值，则将与待入库图片的索引值相同的索引值确定为目标索引值。
S913，若第一查询表中不存在与待入库图片的索引值相同的索引值，则根据待入库图片的索引值在第二查询表中查找与待入库图片的索引值对应的目标索引值；第二查询表包括索引值与候选索引值之间的对应关系，且索引值与对应的候选索引值之间的距离值最小。
S914，根据索引值与图片集之间的对应关系，从检索图片库中获取各目标索引值对应的候选图片集。
S915，依次从各候选图片集中获取待比对图片。
S916，通过至少两种不同类型的特征提取网络获取待比对图片的多个特征向量。
S917，计算每个特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离。
S918，计算各个特征提取网络对应的距离的平均值。
S919，若平均值小于预设距离阈值，则确定待比对图片与待入库图片相似。
上述各步骤所述的方法请参见前述内容说明，此处不赘述。
应该理解的是，虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种图片检索装置，包括：第一获取模块11、处理模块12、第二获取模块13和比对获取模块14，其中：
第一获取模块11，用于通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
处理模块12，用于对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
第二获取模块13，用于根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
比对获取模块14，用于将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
在一个实施例中，上述第二获取模块13，如图12所示，包括：
确定单元131，用于根据所述待入库图片的多个索引值和查询表，确定各所述索引值对应的目标索引值；
第一获取单元132，用于根据索引值与图片集之间的对应关系，从所述检索图片库中获取各所述目标索引值对应的候选图片集。
在一个实施例中，上述确定单元131，如图13所示，包括：
查询子单元1311，用于根据所述待入库图片的多个索引值查询第一查询表；所述第一查询表中包括索引值与图片集之间的对应关系；
第一确定子单元1312，用于在所述第一查询表中存在与所述待入库图片的索引值相同的索引值的情况下，将与所述待入库图片的索引值相同的索引值确定为所述目标索引值；
第二确定子单元1313，用于在所述第一查询表中不存在与所述待入库图片的索引值相同的索引值的情况下，根据所述待入库图片的索引值在第二查询表中查找与所述待入库图片的索引值对应的目标索引值；所述第二查询表包括索引值与候选索引值之间的对应关系，且所述索引值与对应的候选索引值之间的距离值最小。
在一个实施例中，上述图片检索装置，如图14所示，还包括：
第三获取模块15，用于针对每个预设的索引值，计算所述预设的索引值与其它索引值之间的距离值；将距离值最小的其它索引值确定为所述预设的索引值的候选索引值，建立所述索引值与候选索引值之间的对应关系，得到所述第二查询表；
第四获取模块16，用于通过至少两种不同类型的特征提取网络获取所述检索图片库中图片的多个特征向量；对各所述特征向量进行压缩和降维处理，得到所述检索图片库中各图片的多个索引值；将相同的索引值对应的图片确定为同一图片集，并建立所述检索图片库中各图片的索引值与图片集之间的对应关系，得到所述第一查询表。
在一个实施例中，上述比对获取模块14，如图15所示，包括：
第三获取单元141，用于依次从各所述候选图片集中获取待比对图片；
第四获取单元142，用于通过至少两种不同类型的特征提取网络获取待比对图片的多个特征向量；
第一计算单元143，用于计算每个所述特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离；
第二计算单元144，用于计算各个所述特征提取网络对应的距离的平均值；
检索单元145，用于在所述平均值小于预设距离阈值的情况下，确定所述待比对图片与所述待入库图片相似。
在一个实施例中，上述处理模块12，如图16所示，包括：
乘积量化单元121，用于对各所述特征向量进行乘积量化，得到各所述特征向量的短向量；
聚类分析单元122，用于对各所述短向量进行聚类分析，得到所述待入库图片的多个索引值。
关于图片检索装置的具体限定可以参见上文中对于图片检索方法的限定，在此不再赘述。上述图片检索装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种图片检索方法，其特征在于，所述方法包括：
通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集，包括：
根据所述待入库图片的多个索引值和查询表，确定各所述索引值对应的目标索引值；
根据索引值与图片集之间的对应关系，从所述检索图片库中获取各所述目标索引值对应的候选图片集。
3.根据权利要求2所述的方法，其特征在于，所述根据所述待入库图片的多个索引值和查询表，确定各所述索引值对应的目标索引值，包括：
根据所述待入库图片的多个索引值查询第一查询表；所述第一查询表中包括索引值与图片集之间的对应关系；
若所述第一查询表中存在与所述待入库图片的索引值相同的索引值，则将与所述待入库图片的索引值相同的索引值确定为所述目标索引值；
若所述第一查询表中不存在与所述待入库图片的索引值相同的索引值，则根据所述待入库图片的索引值在第二查询表中查找与所述待入库图片的索引值对应的目标索引值；所述第二查询表包括索引值与候选索引值之间的对应关系，且所述索引值与对应的候选索引值之间的距离值最小。
4.根据权利要求3所述的方法，其特征在于，获取所述第二查询表的方法，包括：
针对每个预设的索引值，计算所述预设的索引值与其它索引值之间的距离值；
将距离值最小的其它索引值确定为所述预设的索引值的候选索引值，建立所述索引值与候选索引值之间的对应关系，得到所述第二查询表。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过至少两种不同类型的特征提取网络获取所述检索图片库中图片的多个特征向量；
对各所述特征向量进行压缩和降维处理，得到所述检索图片库中各图片的多个索引值；
将相同的索引值对应的图片确定为同一图片集，并建立所述检索图片库中各图片的索引值与图片集之间的对应关系，得到所述第一查询表。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片，包括：
依次从各所述候选图片集中获取待比对图片；
通过至少两种不同类型的特征提取网络获取待比对图片的多个特征向量；
计算每个所述特征提取网络提取的待比对图片的特征向量和待入库图片的特征向量之间的距离；
计算各个所述特征提取网络对应的距离的平均值；
若所述平均值小于预设距离阈值，则确定所述待比对图片与所述待入库图片相似。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取样本图片集，并将所述样本图片集划分为第一样本图片集和第二样本图片集；所述第一样本图片集中各图片之间的相似度大于预设相似度阈值，所述第二样本图片集中各图片之间的相似度小于所述预设相似度阈值；
计算所述第一样本图片集中各图片的特征向量之间的第一余弦距离；
计算所述第二样本图片集中各图片的特征向量之间的第二余弦距离；
根据所述第一余弦距离和所述第二余弦距离，确定所述预设距离阈值。
8.根据权利要求1或7所述的方法，其特征在于，所述对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值，包括：
对各所述特征向量进行乘积量化，得到各所述特征向量的短向量；
对各所述短向量进行聚类分析，得到所述待入库图片的多个索引值。
9.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括Resnet网络、VGGNet网络、GoogLeNet网络中的至少两种。
10.一种图片检索装置，其特征在于，所述装置包括：
第一获取模块，用于通过至少两种不同类型的特征提取网络获取待入库图片的多个特征向量；
处理模块，用于对各所述特征向量进行压缩和降维处理，得到所述待入库图片的多个索引值；
第二获取模块，用于根据所述待入库图片的多个索引值，从检索图片库中获取与各所述索引值对应的候选图片集；
比对获取模块，用于将所述待入库图片与各所述索引值对应的候选图片集中的图片依次进行比对，确定与所述待入库图片相似的图片。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其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执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010901740.8A CN112100412B (zh) | 2020-09-01 | 2020-09-01 | 图片检索方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010901740.8A CN112100412B (zh) | 2020-09-01 | 2020-09-01 | 图片检索方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112100412A true CN112100412A (zh) | 2020-12-18 |
| CN112100412B CN112100412B (zh) | 2024-04-12 |
Family
ID=73756991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010901740.8A Active CN112100412B (zh) | 2020-09-01 | 2020-09-01 | 图片检索方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112100412B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114595350A (zh) * | 2021-12-08 | 2022-06-07 | 拓尔思信息技术股份有限公司 | 一种百亿级图像快速搜索的方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
| CN107330127A (zh) * | 2017-07-21 | 2017-11-07 | 湘潭大学 | 一种基于文本图片检索的相似文本检测方法 |
| CN107943938A (zh) * | 2017-11-23 | 2018-04-20 | 清华大学 | 一种基于深度乘积量化的大规模图像相似检索方法及系统 |
| 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 |
| US20180349735A1 (en) * | 2015-07-23 | 2018-12-06 | Beijing Jingdong Shangke Information Technology Co Ltd. | Method and Device for Comparing Similarities of High Dimensional Features of Images |
| CN109614512A (zh) * | 2018-11-29 | 2019-04-12 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检索方法 |
| CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技（深圳）有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
| CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
| CN111444363A (zh) * | 2020-03-02 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种图片检索方法、装置、终端设备及存储介质 |
| CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及系统 |
-
2020
- 2020-09-01 CN CN202010901740.8A patent/CN112100412B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180349735A1 (en) * | 2015-07-23 | 2018-12-06 | Beijing Jingdong Shangke Information Technology Co Ltd. | Method and Device for Comparing Similarities of High Dimensional Features of Images |
| CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
| CN107330127A (zh) * | 2017-07-21 | 2017-11-07 | 湘潭大学 | 一种基于文本图片检索的相似文本检测方法 |
| CN107943938A (zh) * | 2017-11-23 | 2018-04-20 | 清华大学 | 一种基于深度乘积量化的大规模图像相似检索方法及系统 |
| 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 |
| CN109614512A (zh) * | 2018-11-29 | 2019-04-12 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检索方法 |
| CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技（深圳）有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
| CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及系统 |
| CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
| CN111444363A (zh) * | 2020-03-02 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种图片检索方法、装置、终端设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114595350A (zh) * | 2021-12-08 | 2022-06-07 | 拓尔思信息技术股份有限公司 | 一种百亿级图像快速搜索的方法 |
| CN114595350B (zh) * | 2021-12-08 | 2024-04-26 | 拓尔思信息技术股份有限公司 | 一种百亿级图像快速搜索的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112100412B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2814401C (en) | Vector transformation for indexing, similarity search and classification | |
| KR101457284B1 (ko) | 콘텐츠 기반 이미지 검색을 가능하게 하는 방법 및 장치 | |
| CN110598048B (zh) | 视频检索方法及视频检索映射关系生成方法、装置 | |
| CN110162665B (zh) | 视频搜索方法、计算机设备及存储介质 | |
| CN111177438B (zh) | 图像特征值的搜索方法、装置、电子设备及存储介质 | |
| CN112732883A (zh) | 基于知识图谱的模糊匹配方法、装置和计算机设备 | |
| CN110825894A (zh) | 数据索引建立、数据检索方法、装置、设备和存储介质 | |
| CN109086830B (zh) | 基于样本惩罚的典型关联分析近重复视频检测方法 | |
| Zhou et al. | Structure tensor series-based large scale near-duplicate video retrieval | |
| Zhao et al. | Pyramid regional graph representation learning for content-based video retrieval | |
| Zhang et al. | OMCBIR: Offline mobile content-based image retrieval with lightweight CNN optimization | |
| CN113779303B (zh) | 视频集合的索引方法、装置和存储介质及电子设备 | |
| CN112100412B (zh) | 图片检索方法、装置、计算机设备和存储介质 | |
| CN109086386B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114817717A (zh) | 搜索方法、装置、计算机设备和存储介质 | |
| Ejaz et al. | Video summarization using a network of radial basis functions | |
| CN115687676B (zh) | 信息检索方法、终端及计算机可读存储介质 | |
| Mounika Bommisetty et al. | Fusion of gradient and feature similarity for Keyframe extraction | |
| CN116610840A (zh) | 一种相似数据搜索方法、系统及电子设备 | |
| Besiris et al. | Combining graph connectivity & dominant set clustering for video summarization | |
| CN115146103A (zh) | 图像检索方法、装置、计算机设备、存储介质和程序产品 | |
| CN115082999A (zh) | 合影图像人物分析方法、装置、计算机设备和存储介质 | |
| Cao et al. | An efficient video similarity search algorithm | |
| JP7192990B2 (ja) | 学習装置、検索装置、学習方法、検索方法、学習プログラム、及び検索プログラム | |
| Xin et al. | Laplacian sift in visual search |
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 |