CN112837299B - 一种纺织品图像指纹检索方法 - Google Patents
一种纺织品图像指纹检索方法 Download PDFInfo
- Publication number
- CN112837299B CN112837299B CN202110175437.9A CN202110175437A CN112837299B CN 112837299 B CN112837299 B CN 112837299B CN 202110175437 A CN202110175437 A CN 202110175437A CN 112837299 B CN112837299 B CN 112837299B
- Authority
- CN
- China
- Prior art keywords
- image
- fingerprint
- textile
- parts
- images
- 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.)
- Active
Links
- 239000004753 textile Substances 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种纺织品图像指纹检索方法。它括图像指纹获取、图像索引构建与图像检索;图像指纹获取包括获取待检测纺织品图像及纺织品图像库中所有纺织品图像的指纹,纺织品图像中多个重复出现的局部细粒度特征定义为纺织品图像的指纹部件,将提取出的指纹部件融合后生成的图像特征定义为纺织品图像的指纹;图像库中每个图像的指纹作为对应图像的特征,与图像名对应存储;再采用Cosine余弦距离计算待检测图像的指纹与图像库中的图像指纹特征之间的距离,将距离最近的图片取出,即为检索到的纺织品图像。本发明能够方便用户快速找到使用该指纹部件的纺织品图像,提高检索效率。通过指纹实现图像精准检索,提高了纺织品图像指纹检索的精度。
Description
技术领域
本发明属于目标检测、图像检索等技术领域,涉及一种纺织品图像指纹检索方法,具体为纺织品图像的局部细粒度特征提取方法。
背景技术
近年来,随着纺织品图像设计行业的发展,纺织品图像的数量增长十分迅速,呈现指数级增长的趋势。如何更好地应用纺织品图像数据,实现方便、快速、准确地查询和检索到用户所需的图像信息,使管理者可以从大量的单调的人工管理工作中解放出来,已成为人们迫切需要解决的问题。图像检索技术在各个工业领域都有广泛的应用场景,纺织品图像存在分类查找费时费力,相关从业人员检索需要的图像精度低等难题。如2019中国绍兴柯桥国际纺织品面辅料博览会展出了45万款面料,如何从大量面料图样中有效筛选出客户要求的结果是其典型问题。长期积累的纺织品面料图像种类复杂多样,存在图像内部特征重复率高,单个花型为主的图像背景信息繁复,图像大小差异过大等一系列特点。
主流的解决方案是采用基于内容的图像检索,即CBIR(Content-based ImageRetrieval)技术,该图像检索技术使得用户输入一张图片,可以查找相同或相似内容的其他图片。在1992年有论文提出了基于内容的图像检索技术这一概念。在论文中构建了一个基于色彩与形状的图像数据库,并提供了一定的检索功能进行实验。此后CBIR这一概念被广泛应用于各种研究领域。学习有效的特征表示和相似性度量对于基于内容的图像检索(CBIR)系统的检索性能至关重要。尽管数十年来进行了广泛的研究,但它仍然是最具挑战性的开放性问题之一。
随着深度学习技术的发展,卷积神经网络(CNN)模型在图像检索、分类等相关领域取得成功,使图像深度特征表达成为研究热点。较之于传统特征,深度特征通过多层卷积计算能够提取图像中的高级语义信息。图像检索中深度学习方法主要可分为两类。一类是基于在ImageNet上预训练的CNN模型(如VGG,ResNet),将全连接层的输出作为图像特征来提升图像检索精度。该方法可以将图像检索任务的整幅图像表示为一个全局的神经编码(Neural Codes)作为图像检索的特征;之后用该方法分别测试了在不同网络上检索常用的几个图像库的效果,取得了不错的成绩。虽然随着神经网络的不断加深,其表达能力也有所增强,但直接应用预训练的CNN模型作为特征提取器的效果并非都能够满足要求,特别是在一些细粒度的图像特征提取方面效果不佳,比起传统特征的检索准确率并没有特别明显的提升。另一类方法是基于对预训练模型的微调(fine-tuned)以获得更适合图像分类数据库的网络模型,如通过挖掘数据库中的正负样本,对CNN网络进行微调。微调模型对于学习图像检索中的细粒度图像分类十分重要,但是微调模型会导致“灾难性遗忘”问题,几乎失去对原有数据集的识别能力,微调方法无法将模型迁移到不同数据集。本发明所提方法将解决这方面的问题。
发明内容
纺织品图像中存在诸多特有特性,使用ImageNet的预训练模型所提取的特征并不完全适用。一类纺织品图像具有图像局部特征重复率高的特点,使得深度网络会提取图像重复分布的全局特征,所提取的全局特征对细粒度图像特征检索造成干扰;另一类纺织品图像是由单个主体和繁复的背景组成,使用深度网络所提取的图像背景特征对于图像检索无关,也可能造成干扰;针对现有技术中存在的上述问题,本发明的目的在于提供一种纺织品图像指纹检索方法,用于解决纺织品图像局部特征的匹配精度问题。
本发明所述的一种纺织品图像指纹检索方法,其特征在于包括图像指纹获取、图像索引构建与图像检索;图像指纹获取包括获取待检测纺织品图像及纺织品图像库中所有纺织品图像的指纹,纺织品图像中多个重复出现的局部细粒度特征定义为纺织品图像的指纹部件,从一张纺织品图像提取出若干个指纹部件,将得到的指纹部件融合后生成的图像特征定义为纺织品图像的指纹;图像库中每个图像的指纹作为对应图像的特征,与图像名对应存储;再采用Cosine余弦距离计算待检测图像的指纹与图像库中的图像指纹特征之间的距离,将距离最近的图片取出,即为检索到的纺织品图像。
进一步地,本发明图像指纹获取包括以下步骤:
1)采用Mask R-CNN网络提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件,假设有k个指纹部件;
2)将k个指纹部件分别馈入ResNet网络,取其最大池化层作为纺织品图像的深度特征,记为x1,…,xk,是相同维度的向量;
3)对k个指纹部件提取的深度特征等权重加权平均来进行融合,获取到该纺织品图像的指纹。
更进一步地,采用Mask R-CNN网络提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件的具体过程包括以下步骤:
A1调整Mask R-CNN网络中的ROI检测阈值DETECTION_MIN_CONFIDENCE为0.2;
A2将待检测纺织品图像馈入预训练好的卷积神经网络,得到特征图;将所得的特征图输入到区域建议网络(Region Proposal Network,RPN)中产生若干候选区域;使用非极大值抑制法NMS过滤出精确的候选区域;再将获得的精确的候选区域馈入到感兴趣区域(ROIAlign),映射为相同维度特征向量作为指纹部件,将得到全体指纹部件记为T={T1,…,Tn|n≤6};
A3使用COCO预训练数据集分类判别全体指纹部件的概率值,所述概率值为0-1,并对全体指纹部件按概率值由高到低进行排序;
A4计算T中每个指纹部件的面积;
A5对于计算出的指纹部件,若面积相同、使用COCO预训练数据集分类的类别相同且重复出现的,则只保留其中一个指纹部件,并将这种指纹部件放入指纹部件的列表P中;
A6对于T中的指纹部件,若步骤A3中排序前三的指纹部件不在指纹部件的列表P中,则将其放入指纹部件的列表P;
A7将指纹部件的列表P作为纺织品图像的指纹部件。
更进一步地,本发明的图像索引构建具体为:
1)获取需要构建索引的纺织品图像库中每一个纺织品图像的指纹;
2)将步骤1)提取到的指纹作为对应纺织品图像的特征,与该图像名一一对应,并存储到本地,完成图像索引构建。
更进一步地,本发明的纺织品图像的图像检索包括以下步骤:
1)获取待检测纺织品图像的指纹;
2)使用Cosine余弦距离计算待检测纺织品图像和图像索引中存储的图像特征之间的距离;
3)选择步骤2)中计算出的待检测纺织品图像和图像索引中存储的图像特征之间的距离最近的图片,即为检索到的纺织品图像。
通过采用上述技术,本发明提出的一种纺织品图像指纹检索方法,具有如下有益效果:
1)它采用Mask R-CNN网络来提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件,通过Mask R-CNN的主干网络提取纺织品指纹的深度特征,将提取到的深度特征进行特征加权融合作为该纺织品的指纹,提高了纺织品图像指纹检索的精度;
2)本发明提出了一种基于Mask R-CNN网络,来提取的纺织品图像中具有细粒度特征的指纹部件的方法,针对纺织品图像内部特征重复率高问题,搜索定位纺织品图像中高重复的指纹部件,在图像检索时使用其中一个的图像特征,使得图像检索不受高重复特征的干扰;针对纺织品图像中的图像背景繁复问题,搜索出图像的主体重点部位,使用主体部分代替整幅图像,进行图像检索,从而排除图片背景对主体目标的干扰,纺织品图像多为2K到4K分辨率的图像,将以上提取的指纹部件作为检索中的输入图像,减小了输入大小,提高了图像检索索引构建效率;
3)本发明提出的一种纺织品图像指纹部件的加权融合方法,使用提取的多个指纹部件以1:1的加权比例构建纺织品图像指纹,使用融合生成的纺织品特征来计算相似度并据此对结果进行排序,提高了单个指纹部件的特征对图像特征的影响,极大提高图像检索性能;
4)本发明通过设计纺织品图像算法使得Mask R-CNN网络检测提取纺织品图像中重复出现指纹部件;通过无监督目标检测来获取纺织品图像中的重点部位。针对纺织品图像内部特征重复率高问题,搜索定位纺织品图像中高重复的指纹部件,使得图像检索不受高重复特征的干扰;针对纺织品图像中独立花纹的图像背景繁复问题,搜索出图像的重点部位,排除图片背景对主体目标的干扰。通过对纺织品图像特征的充分挖掘,拉近了纺织品指纹特征与纺织品中高重复的指纹部件之间的距离,压缩了图像的存储尺寸,降低了检索所需存储的空间,使得纺织品图像检索精度得到提高,能够方便用户快速找到使用该指纹部件的纺织品图像,提高检索效率。
附图说明
图1是本发明的纺织品面料图像提取的部分细粒度特征作为指纹部件的算法流程示意图;
图2是本发明使用的Mask R-CNN网络结构的示意图;
图3是本发明方法中纺织品图像指纹提取的流程图。
具体实施方式
下面结合说明书附图进一步说明本发明的技术方案。
参照图1、图2、图3,本发明限定的纺织品图像指纹融合检索的方法,包括图像指纹获取、图像索引构建与图像检索;图像指纹获取包括获取待检测纺织品图像及纺织品图像库中所有纺织品图像的指纹,纺织品图像中多个重复出现的局部细粒度特征定义为纺织品图像的指纹部件,从一张纺织品图像提取出若干个指纹部件,将得到的指纹部件融合后生成的图像特征定义为纺织品图像的指纹;图像库中每个图像的指纹作为对应图像的特征,与图像名对应存储;再采用Cosine余弦距离计算待检测图像的指纹与图像库中的图像指纹特征之间的距离,将距离最近的图片取出,即为检索到的纺织品图像;具体包括如下的步骤:
A图像指纹获取,包括以下步骤:
1)采用Mask R-CNN网络提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件,具体过程包括以下步骤:
A1调整Mask R-CNN网络中的ROI检测阈值DETECTION_MIN_CONFIDENCE为0.2;
A2将待检测纺织品图像馈入预训练好的卷积神经网络,得到特征图;将所得的特征图输入到区域建议网络(Region Proposal Network,RPN)中产生若干候选区域;使用非极大值抑制法NMS过滤出精确的候选区域;再将获得的精确的候选区域馈入到感兴趣区域(ROIAlign),映射为相同维度特征向量作为指纹部件,将得到全体指纹部件记为T={T1,…,Tn|n≤6},本实施例中,n等于3-6;
A3使用COCO预训练数据集分类判别全体指纹部件的概率值,所述概率值为0-1,并对全体指纹部件按概率值由高到低进行排序;
A4计算T中每个指纹部件的面积;
A5对于计算出的指纹部件,若面积相同、使用COCO预训练数据集分类的类别相同且重复出现的,则只保留其中一个指纹部件,并将这种指纹部件放入指纹部件的列表P中,其中重复出现的指纹部件个数属于0-3之间;
A6对于T中的指纹部件,若步骤A3中排序前三的指纹部件不在指纹部件的列表P中,则将其放入指纹部件的列表;
A7将指纹部件的列表P作为纺织品图像的指纹部件,列表P中指纹部件由重复出现的指纹部件和排序前三的指纹部件组成,指纹部件的个数为k个(k属于3-6之间),若重复出现的指纹部件不包括排序前三的指纹部件,重复出的个数为0个,即k为3,重复出现的个数为3个,即k为6;若重复出现的指纹部件为排序前三的1-3个,即k为3;
2)将k个指纹部件分别馈入ResNet网络,取其最大池化层作为纺织品图像的深度特征,记为x1,…,xk,是相同维度的向量;
3)对k个指纹部件提取的深度特征等权重加权平均来进行融合,获取到该纺织品图像的指纹;
B图像检索索引构建,具体包括如下步骤:
1)将需要构建索引的纺织品图像库中每一个图片,按步骤A中的图像指纹获取步骤,提取每一个纺织品图像的指纹;
2)提取到的指纹作为对应纺织品图像的特征,与该纺织品图像名一一对应,并存储到本地;
C纺织品图像检索,具体包括以下步骤:
1)将待检测纺织品图像按步骤A中的图像指纹获取步骤,获取该待检测纺织品图像的指纹;
2)使用Cosine余弦距离计算待检测纺织品图像和图像检索索引存储的纺织品图像特征之间的距离;
3)根据Cosine余弦距离计算出的最近距离,从图像检索索引存储库中找出该与待检测纺织品特征距离最近的纺织品图像图片,即为检索到的纺织品图像。
本发明是一种面向纺织品图像的检索方法,我们将纺织品图像中多个重复出现的局部细粒度特征部分定义为纺织品图像指纹部件,本发明方法可以实现纺织品图像的局部细粒度特征进行特征提取和特征融合,有效提高纺织品设计图像的检索效率。
本发明所提方法通过提取纺织品图像中具有大部分特征的具有重复性的多个纺织品细粒度指纹部件。纺织品图像中多个重复出现的局部细粒度特征定义为纺织品图像指纹部件。图1展示的是纺织品面料图像提取的部分细粒度特征作为指纹部件的算法流程,本发明首先从采用Mask R-CNN网络提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件,通过Mask R-CNN的主干网络提取纺织品指纹的深度特征,将提取到的深度特征进行特征加权融合作为该纺织品的指纹,提高了纺织品图像指纹检索的精度。
本发明设计的图像检索特征融合方法,即使用指纹部件生成纺织品指纹的方法如下:针对一张纺织品图像使用Mask R-CNN网络提取的多个指纹部件,记各个指纹部件为再次使用卷积神经网络如ResNet或VGG提取卷积特征,对各部件提取的深度特征等权重加权平均来进行融合,对应的纺织品图像加权融合获得的指纹。其中,卷积特征计算方法是采用ResNet或VGG模型中的最大池化层、平均池化层或全连接层中效果最好的那一层来计算深度特征,特征计算方法好坏是通过实验对比来确定的。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种纺织品图像指纹检索方法,其特征在于包括图像指纹获取、图像索引构建与图像检索;图像指纹获取包括获取待检测纺织品图像及纺织品图像库中所有纺织品图像的指纹,纺织品图像中多个重复出现的局部细粒度特征定义为纺织品图像的指纹部件,从一张纺织品图像提取出若干个指纹部件,将得到的指纹部件融合后生成的图像特征定义为纺织品图像的指纹;图像库中每个图像的指纹作为对应图像的特征,与图像名对应存储;再采用Cosine余弦距离计算待检测图像的指纹与图像库中的图像指纹特征之间的距离,将距离最近的图片取出,即为检索到的纺织品图像;
所述图像指纹获取包括以下步骤:
1)采用MaskR-CNN网络提取纺织品图像中细粒度的特征作为该纺织品图像的指纹部件,假设有k个指纹部件,具体过程包括以下步骤:
A1调整MaskR-CNN网络中的ROI检测阈值DETECTION_MIN_CONFIDENCE为0.2;
A2将待检测纺织品图像馈入预训练好的卷积神经网络,得到特征图;将所得的特征图输入到区域建议网络中产生若干候选区域;使用非极大值抑制法NMS过滤出精确的候选区域;再将获得的精确的候选区域馈入到感兴趣区域,映射为相同维度特征向量作为指纹部件,将得到的全体指纹部件记为T={T1,…,Tn|n≤6};
A3使用COCO预训练数据集分类判别全体指纹部件的概率值,所述概率值为0-1,并对全体指纹部件按概率值由高到低进行排序;
A4计算T中每个指纹部件的面积;
A5对于计算出的指纹部件,若面积相同、使用COCO预训练数据集分类的类别相同且重复出现的,则只保留其中一个指纹部件,并将这种指纹部件放入指纹部件的列表P中;
A6对于T中的指纹部件,若步骤A3中排序前三的指纹部件不在指纹部件的列表P中,则将其放入指纹部件的列表P;
A7将指纹部件的列表P作为纺织品图像的指纹部件,列表P中指纹部件的个数即为k;
2)将k个指纹部件分别馈入ResNet网络,取其最大池化层作为纺织品图像的深度特征,记为x1,…,xk,是相同维度的向量;
3)对k个指纹部件提取的深度特征等权重加权平均来进行融合,获取到该纺织品图像的指纹;
所述图像索引构建具体为:
1)获取需要构建索引的纺织品图像库中每一个纺织品图像的指纹;
2)将步骤1)提取到的指纹作为对应纺织品图像的特征,与该图像名一一对应,并存储到本地,完成图像索引构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175437.9A CN112837299B (zh) | 2021-02-09 | 2021-02-09 | 一种纺织品图像指纹检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175437.9A CN112837299B (zh) | 2021-02-09 | 2021-02-09 | 一种纺织品图像指纹检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837299A CN112837299A (zh) | 2021-05-25 |
CN112837299B true CN112837299B (zh) | 2024-02-27 |
Family
ID=75933055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175437.9A Active CN112837299B (zh) | 2021-02-09 | 2021-02-09 | 一种纺织品图像指纹检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837299B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708354B (zh) * | 2024-02-06 | 2024-04-30 | 湖南快乐阳光互动娱乐传媒有限公司 | 图像的索引方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110383805A (zh) * | 2016-12-23 | 2019-10-25 | 弗劳恩霍夫应用研究促进协会 | 用于捕获被测对象的测量图像的方法和系统 |
CN111737512A (zh) * | 2020-06-04 | 2020-10-02 | 东华大学 | 基于深度特征区域融合的丝绸文物图像检索方法 |
-
2021
- 2021-02-09 CN CN202110175437.9A patent/CN112837299B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110383805A (zh) * | 2016-12-23 | 2019-10-25 | 弗劳恩霍夫应用研究促进协会 | 用于捕获被测对象的测量图像的方法和系统 |
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 |
CN111737512A (zh) * | 2020-06-04 | 2020-10-02 | 东华大学 | 基于深度特征区域融合的丝绸文物图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112837299A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN111177446B (zh) | 一种用于足迹图像检索的方法 | |
Ovsjanikov et al. | Shape google: a computer vision approach to isometry invariant shape retrieval | |
Taskiran et al. | ViBE: A compressed video database structured for active browsing and search | |
Moghaddam et al. | Regions-of-interest and spatial layout for content-based image retrieval | |
Bhute et al. | Content based image indexing and retrieval | |
CN112837299B (zh) | 一种纺织品图像指纹检索方法 | |
Chow et al. | Content-based image retrieval by using tree-structured features and multi-layer self-organizing map | |
CN110287369A (zh) | 一种基于语义的视频检索方法及系统 | |
JP3621323B2 (ja) | 映像登録・検索処理方法および映像検索装置 | |
Keyvanpour et al. | Feature weighting for improving document image retrieval system performance | |
Guo | Research on sports video retrieval algorithm based on semantic feature extraction | |
Shanmugavadivu et al. | FOSIR: fuzzy-object-shape for image retrieval applications | |
Geng et al. | Pruning convolutional neural networks via filter similarity analysis | |
JP2006060796A (ja) | 映像検索装置,方法及びプログラム並びにプログラムを記録した記録媒体 | |
Yang et al. | Salient object detection in complex scenes via DS evidence theory based region classification | |
Vacchetti et al. | Cinematographic shot classification through deep learning | |
Weng et al. | Random VLAD based deep hashing for efficient image retrieval | |
CN109766467B (zh) | 基于图像分割和改进vlad的遥感图像检索方法及系统 | |
Ramesh et al. | Feature identification as an aid to content-based image retrieval | |
Wong et al. | Indexing and retrieval of 3D models by unsupervised clustering with hierarchical SOM | |
CN105260982B (zh) | 基于稀疏和稠密重构的图像解析方法 | |
Prasomphan et al. | Feature extraction for image matching in wat phra chetuphon wimonmangklararam balcony painting with sift algorithms | |
Elhady et al. | Weighted feature voting technique for content-based image retrieval | |
Yang et al. | Learning image similarities and categories from content analysis and relevance feedback |
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 |