CN113297411B - 轮形图谱相似性的度量方法、装置、设备及存储介质 - Google Patents
轮形图谱相似性的度量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113297411B CN113297411B CN202110845888.9A CN202110845888A CN113297411B CN 113297411 B CN113297411 B CN 113297411B CN 202110845888 A CN202110845888 A CN 202110845888A CN 113297411 B CN113297411 B CN 113297411B
- Authority
- CN
- China
- Prior art keywords
- information
- wheel
- preset
- atlas
- similarity
- 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
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
- G06F16/58—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
- 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
- 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
- G06F18/21—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
- G06F18/22—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
- G06F18/24—Classification techniques
Abstract
本发明涉及图像处理技术领域,公开了一种轮形图谱相似性的度量方法、装置、设备及存储介质,所述方法包括:根据预设轮形图谱度量模型对待处理轮形图谱进行特征提取,得到对应的轮形特征信息;提取目标轮形图谱数据库的图像信息的特征向量信息;将轮形特征信息与特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;本发明通过预设轮形图谱度量模型对待处理轮形图谱进行特征提取,根据提取的轮形特征信息与目标轮形图谱数据库的图像信息的特征向量信息进行匹配,得到当前相似度,相较于现有技术通过哈希算法计算的哈希值得到图像的相似度,能够有效提高度量相似度的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及轮形图谱相似性的度量方法、装置、设备及存储介质。
背景技术
随着网络技术的兴起,各行各业开始融入互联网技术,伴随“互联网+”的进一步发展,以文本、图片以及视频等信息的网络数据迅速增长,形成庞大的数据管理系统,人们基于工作、学习、生活等需求,需要从庞大的数据管理系统搜索自己想要的数据,特别是针对大型企业来说,每天都需要根据自身的需求检索出最合适的轮形图谱,而轮形图谱之间的差异非常小,很容易被错误样本所干扰,造成未能找到与需求完全相契合的轮形图谱,而目前图像相似度匹配的常用技术方案为通过哈希算法计算出当前图像的哈希值,对哈希值进行分析,根据分析的哈希值匹配与需求最接近的图像,但是通过上述技术方案匹配出的图像的相似度的准确率较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种轮形图谱相似性的度量方法、装置、设备及存储介质,旨在解决现有技术无法有效提高度量相似度的准确率的技术问题。
为实现上述目的,本发明提供了一种轮形图谱相似性的度量方法,所述轮形图谱相似性的度量方法包括以下步骤:
获取待处理轮形图谱;
获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;
获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;
将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
可选地,所述获取预设轮形图谱度量模型之前,还包括:
获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类;
获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记;
根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
可选地,所述根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型,包括:
根据标记后的历史轮形图谱信息得到对应的底层特征信息;
对所述底层特征信息与轮形特征信息进行计算,得到对应的欧式距离;
获取预设间隔阈值,根据所述欧式距离和所述预设间隔阈值计算所述底层特征信息的权重值;
获取预设损失函数,根据所述预设损失函数和所述权重值得到对应的样本数据集;
根据所述样本数据集对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
可选地,所述获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息,包括:
提取所述待处理轮形图谱的参数信息;
获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型确定对应的卷积信息和池化信息;
根据所述卷积信息对所述参数信息进行计算,得到第一参数信息;
根据所述池化信息对所述第一参数信息进行降维,得到对应的轮形特征信息。
可选地,所述获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息,包括:
获取目标轮形图谱数据库的图像信息,根据所述图像信息得到目标轮形图谱数据库的图像列表信息;
获取轮形特征信息,根据所述轮形特征信息确定对应的类型信息;
根据所述类型信息对所述图像列表信息中的图像信息进行筛选;
提取筛选后的所述图像列表信息中的图像信息的特征向量信息。
可选地,所述将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,包括:
获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维;
将降维后的轮形特征信息与降维后的特征向量信息进行匹配;
根据匹配结果得到当前相似度。
可选地,所述将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度之后,还包括:
获取轮形特征信息与所述特征向量信息的距离信息;
对所述距离信息对应的距离进行调整;
获取预设轮形图谱度量模型的当前参数信息,根据调整后的距离对所述当前参数信息进行调节;
基于调节后的预设轮形图谱度量模型提取待处理轮形图谱的目标轮形特征信息;
根据目标轮形特征信息和所述特征向量信息得到目标相似度;
根据预设分类损失函数对所述目标相似度和当前相似度进行排序。
此外,为实现上述目的,本发明还提出一种轮形图谱相似性的度量装置,所述轮形图谱相似性的度量装置包括:
获取模块,用于获取待处理轮形图谱;
特征提取模块,用于获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;
提取模块,用于获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;
匹配模块,用于将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
此外,为实现上述目的,本发明还提出一种轮形图谱相似性的度量设备,所述轮形图谱相似性的度量设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的轮形图谱相似性的度量程序,所述轮形图谱相似性的度量程序配置为实现如上文所述的轮形图谱相似性的度量方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有轮形图谱相似性的度量程序,所述轮形图谱相似性的度量程序被处理器执行时实现如上文所述的轮形图谱相似性的度量方法。
本发明提出的轮形图谱相似性的度量方法,通过获取待处理轮形图谱;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;本发明通过预设轮形图谱度量模型对待处理轮形图谱进行特征提取,根据提取的轮形特征信息与目标轮形图谱数据库的图像信息的特征向量信息进行匹配,得到当前相似度,相较于现有技术通过哈希算法计算的哈希值得到图像的相似度,能够有效提高度量相似度的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的轮形图谱相似性的度量设备的结构示意图;
图2为本发明轮形图谱相似性的度量方法第一实施例的流程示意图;
图3为本发明轮形图谱相似性的度量方法第二实施例的流程示意图;
图4为本发明轮形图谱相似性的度量方法一实施例的整体流程示意图;
图5为本发明轮形图谱相似性的度量方法第三实施例的流程示意图;
图6为本发明轮形图谱相似性的度量装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的轮形图谱相似性的度量设备结构示意图。
如图1所示,该轮形图谱相似性的度量设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对轮形图谱相似性的度量设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及轮形图谱相似性的度量程序。
在图1所示的轮形图谱相似性的度量设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明轮形图谱相似性的度量设备中的处理器1001、存储器1005可以设置在轮形图谱相似性的度量设备中,所述轮形图谱相似性的度量设备通过处理器1001调用存储器1005中存储的轮形图谱相似性的度量程序,并执行本发明实施例提供的轮形图谱相似性的度量方法。
基于上述硬件结构,提出本发明轮形图谱相似性的度量方法实施例。
参照图2,图2为本发明轮形图谱相似性的度量方法第一实施例的流程示意图。
在第一实施例中,所述轮形图谱相似性的度量方法包括以下步骤:
步骤S10,获取待处理轮形图谱。
需要说明的是,本实施例的执行主体为轮形图谱相似性的度量设备,还可为其他可实现相同或相似功能的设备,例如轮形图谱相似性度量程序等,本实施例对此不作限制,在本实施例中,以轮形图谱相似性度量程序为例进行说明。
应当理解的是,待处理轮形图谱指的是需要与目标轮形图谱数据库匹配的轮形图谱,轮形图谱指的是抽象化轮形图所得到的图谱,该轮形图谱具有对应的尺寸大小,例如3*580*580。
可以理解的是,为了有效提高度量相似度的准确性,在进行度量前,需要搭建最佳的度量环境,具体环境为:操作环境为window10、集成开发环境为Pycharm2017.03、基础平台为Tensorflow2.0、内存大小为16GB或16GB以上,CPU为Intel(R) Core(TM) i7-10700KFCPU @ 3.80GHz 3.79GHz,GPU为Nvidia GeForce 3060,若存在更佳适用于本场景的度量环境,则也可根据该环境进行该相似性的度量,本实施例对度量环境不作限制,以该度量环境为例进行说明。
在具体实施中,轮形图谱相似性度量程序获取待处理轮形图谱。
步骤S20,获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息。
应当理解的是,预设轮形图谱度量模型指的是提取待处理轮形图谱的特征信息的模型,轮形特征信息包括轮形图谱的颜色、纹理以及形状等特征信息,预设轮形图谱度量模型采用多层卷积层构成,通过预设轮形图谱度量模型对待处理轮形图谱进行卷积与池化的最大化,从而能够更加快速、准确地得到待处理轮形图谱的轮形特征信息。
进一步地,为了有效提高得到轮形特征信息的准确率,步骤S20,包括:提取所述待处理轮形图谱的参数信息;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型确定对应的卷积信息和池化信息;根据所述卷积信息对所述参数信息进行计算,得到第一参数信息;根据所述池化信息对所述第一参数信息进行降维,得到对应的轮形特征信息。
可以理解的是,参数信息指的是待处理轮形图谱的尺寸、颜色、纹理以及形状等参数信息,而预设轮形图谱度量模型是由卷积、池化以及多层神经网络组成,卷积信息指的是卷积的层数信息,池化信息指的是池化程度信息,第一参数信息指的是根据卷积信息对应的卷积核按照目标尺寸进行处理所得到的参数信息,同时,根据池化信息中的最大池化将第一参数信息中的维度进行降低,得到对应的轮形特征信息。
在具体实施中,轮形图谱相似性度量程序获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息。
步骤S30,获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息。
应当理解的是,目标轮形图谱数据库指的是存储大量轮形图谱的数据库,该目标轮形图谱数据库中包括各种颜色、不同尺寸、不同纹理以及各式形状的轮形图谱,该图像信息指的是与目标轮形图谱数据库中各轮形图谱对应的图像信息,特征向量信息指的是能够唯一识别不同轮形图谱的向量信息。
进一步地,为了有效提高得到特征向量信息的准确性,步骤S30,包括:获取目标轮形图谱数据库的图像信息,根据所述图像信息得到目标轮形图谱数据库的图像列表信息;获取轮形特征信息,根据所述轮形特征信息确定对应的类型信息;根据所述类型信息对所述图像列表信息中的图像信息进行筛选;提取筛选后的所述图像列表信息中的图像信息的特征向量信息。
可以理解的是,图像列表信息指的是由目标轮形图谱数据库的图像信息组成的列表信息,轮形特征信息指的是能够唯一识别不同轮形的特征信息,包括轮形的弧度信息、形状信息等等,根据轮形特征信息确定该轮形所属的类型,例如,轮形特征信息A对应的轮形类型为A1,轮形特征信息B对应的轮形类型为B1,通过不同的类型在轮形特征信息在图像列表信息中筛选对应的图像信息,例如,在A1类型中存在差异非常小的相似图像信息,为了提高得到特征向量信息的效率,此时从相似图像信息筛选出筛选出具有代表性的图像信息,提取该图像信息的特征向量信息。
在具体实施中,轮形图谱相似性度量程序获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息。
步骤S40,将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
应当理解的是,在得到轮形特征信息与特征向量信息后,通过将轮形特征信息与特征向量信息中的尺寸、颜色、纹理以及形状分别进行匹配,根据匹配结果得到当前相似度,例如,尺寸匹配度为C1、颜色匹配度为C2、纹理匹配度为C3以及形状匹配度为C4,根据尺寸、颜色、纹理以及形状的权重计算当前相似度。
在具体实施中,轮形图谱相似性度量程序将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
进一步地,为了有效提高得到相似度的准确率,步骤S40之后,还包括:获取轮形特征信息与所述特征向量信息的距离信息;对所述距离信息对应的距离进行调整;获取预设轮形图谱度量模型的当前参数信息,根据调整后的距离对所述当前参数信息进行调节;基于调节后的预设轮形图谱度量模型提取待处理轮形图谱的目标轮形特征信息;根据目标轮形特征信息和所述特征向量信息得到目标相似度;根据预设分类损失函数对所述目标相似度和当前相似度进行排序。
可以理解的是,距离信息指的是在匹配过程中轮形特征信息与特征向量信息之间的距离信息,由于距离信息对应的距离会改变度量相似度的准确率,因此,通过调整后的距离对应的参数信息对预设轮形图谱度量模型的当前参数信息进行调节,当前参数信息指的是预设轮形图谱度量模型得到当前相似度的的参数信息,根据调节参数信息后的预设轮形图谱度量模型再次提取待处理轮形图谱的目标轮形特征信息,将目标轮形特征信息与特征向量信息进行匹配,得到目标相似度,根据预设分类损失函数对目标相似度和当前相似度进行排序,例如,当前相似度为D1,目标相似度为D2,且D1小于D2,则在排序时,当前相似度位于目标相似度的后面,其中,预设分类损失函数的计算公式为:
其中,loss表示的是损失值,similarity表示相似样本数据集,dissimilarity表示不相似样本数据集。
相似样本数据集similarity与不相似样本数据集根据以下公式进行计算,具体为:
其中,y表示的是匹配标签,“1”表示匹配成功,0表示匹配失败,max表示相似度最高的目标轮形图谱,d表示的是欧式距离。
本实施例通过获取待处理轮形图谱;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;通过预设轮形图谱度量模型对待处理轮形图谱进行特征提取,根据提取的轮形特征信息与目标轮形图谱数据库的图像信息的特征向量信息进行匹配,得到当前相似度,相较于现有技术通过哈希算法计算的哈希值得到图像的相似度,能够有效提高度量相似度的准确率。
在一实施例中,如图3所述,基于第一实施例提出本发明轮形图谱相似性的度量方法第二实施例,所述步骤S20之前,还包括:
步骤S101,获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类。
应当理解的是,历史轮形图谱信息指的是在大数据平台上已有的轮形图谱信息,在得到历史轮形图谱信息后,根据历史轮形图谱信息的类型对历史轮形图谱信息进行划分,此时的历史轮形图谱信息按照类型进行分类,具体为similar和deverse两类。
在具体实施中,轮形图谱相似性度量程序获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类。
步骤S102,获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记。
可以理解的是,预设标签信息指的是对分类后的历史轮形图谱信息进行标记的标签信息,预设标签信息分为“0”和“1”,标签“0”是对similar类型的历史轮形图谱信息进行标记,标签“1”是对deverse类型的历史轮形图谱信息进行标记,在标记前,分别选取similar类型和deverse类型历史轮形图谱信息中的八个样本,还可以选择其他数量的样本,本实施例对此不作限制。
在具体实施中,轮形图谱相似性度量程序获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记。
步骤S103,根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
应当理解的是,在得到标记后的历史轮形图谱信息后,将标记后的历史轮形图谱信息输入至预设层级的网络模型中,此时的预设层级的网络模型根据标记后的历史轮形图谱信息进行训练,预设层级可以为五层级或者以上层级,本实施例以五层级为例进行说明,由于该网络模型的预设层级相对较高,因此在对标记后的历史轮形图谱信息进行训练时,采用双向训练方式,以节省训练时间,从而可以快速、高效地得到预设轮形图谱度量模型。
进一步地,为了有效提高得到预设轮形图谱度量模型的效率,步骤S203包括:根据标记后的历史轮形图谱信息得到对应的底层特征信息;对所述底层特征信息与轮形特征信息进行计算,得到对应的欧式距离;获取预设间隔阈值,根据所述欧式距离和所述预设间隔阈值计算所述底层特征信息的权重值;获取预设损失函数,根据所述预设损失函数和所述权重值得到对应的样本数据集;根据所述样本数据集对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
息,model2表示轮形特征信息,d表示的是欧式距离。
应当理解的是,样本数据集指的是预设损失函数对权重值进行计算得到的数据集,预设损失函数指的是通过损失值对预设层级的网络模型的参数进行优化的函数,通过预设损失函数将权重值分配给标记后的历史轮形图谱信息得到对应的样本数据集,此时预设层级的网络模型对样本数据集进行训练,即可得到对应的预设轮形图谱度量模型。
在具体实施中,轮形图谱相似性度量程序根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
可以理解的是,参考图4,图4为本发明轮形图谱相似性的度量方法一实施例的整体流程示意图,具体流程为:用户获取待处理轮形图谱,通过训练得到WPSMN模型,WPSMN模型的名称是在训练过程中人为命名,同时该模型卷积层包括五层,通过WPSMN模型提取待处理轮形图谱的特征信息,包括形状特征、纹理特征以及颜色特征,将目标轮形图谱数据库中的轮形图谱进行分类,分别为similar类型轮形图谱和deverse类型轮形图谱,其中,similar表示相似轮形图谱,deverse表示不相似轮形图谱,名称是根据轮形图谱是否相似进行人为命名的,将形状特征、纹理特征以及颜色特征与similar类型轮形图谱和deverse类型轮形图谱分别进行匹配,得到当前相似度,相似性越低表示匹配成功的概率越小。
本实施例通过获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类;获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记;根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型;通过对历史轮形图谱信息进行分类,根据分类后的历史轮形图谱信息和预设标签信息对预设层级的网络模型进行训练,得到预设轮形图谱度量模型,从而有效提高得到预设轮形图谱度量模型的效率。
在一实施例中,如图5所述,基于第一实施例提出本发明轮形图谱相似性的度量方法第三实施例,所述步骤S40,包括:
步骤S401,获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维。
可以理解的是,预设维度层次信息指的是维度降低的层次信息,按照预设维度层次信息对轮形特征信息与特征向量信息进行依次降维,降低轮行特征信息和特征向量信息自身的关联性。
在具体实施中,轮形图谱相似性度量程序获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维。
步骤S402,将降维后的轮形特征信息与降维后的特征向量信息进行匹配。
可以理解的是,在降维完成后,将降维后的轮形特征信息与特征向量信息进行依次匹配,例如,降维后的轮形特征信息包括M和N,特征向量信息包括M1和M2,将M与M1进行匹配,N与N1进行匹配。
在具体实施中,轮形图谱相似性度量程序将降维后的轮形特征信息与降维后的特征向量信息进行匹配。
步骤S403,根据匹配结果得到当前相似度。
应当理解的是,提取匹配结果中匹配成功的特征信息,根据匹配成功的特征信息与匹配的所有特征信息得到当前相似度,例如,匹配的所有特征信息为E,匹配成功的特征信息为F,此时的当前相似度为:E/F*100%。
在具体实施中,轮形图谱相似性度量程序根据匹配结果得到当前相似度。
本实施例通过获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维;将降维后的轮形特征信息与降维后的特征向量信息进行匹配;根据匹配结果得到当前相似度;通过预设维度信息分别对轮形特征信息与特征向量信息进行降维,根据降维后的轮形特征信息与降维后的特征向量信息的匹配结果得到当前相似度,从而能够有效提高得到当前相似度的准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有轮形图谱相似性的度量程序,所述轮形图谱相似性的度量程序被处理器执行时实现如上文所述的轮形图谱相似性的度量方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图6,本发明实施例还提出一种轮形图谱相似性的度量装置,所述轮形图谱相似性的度量装置包括:
获取模块10,用于获取待处理轮形图谱。
应当理解的是,待处理轮形图谱指的是需要与目标轮形图谱数据库匹配的轮形图谱,轮形图谱指的是抽象化轮形图所得到的图谱,该轮形图谱具有对应的尺寸大小,例如3*580*580。
可以理解的是,为了有效提高度量相似度的准确性,在进行度量前,需要搭建最佳的度量环境,具体环境为:操作环境为window10、集成开发环境为Pycharm2017.03、基础平台为Tensorflow2.0、内存大小为16GB或16GB以上,CPU为Intel(R) Core(TM) i7-10700KFCPU @ 3.80GHz 3.79GHz,GPU为Nvidia GeForce 3060,若存在更佳适用于本场景的度量环境,则也可根据该环境进行该相似性的度量,本实施例对度量环境不作限制,以该度量环境为例进行说明。
在具体实施中,轮形图谱相似性度量程序获取待处理轮形图谱。
特征提取模块20,用于获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息。
应当理解的是,预设轮形图谱度量模型指的是提取待处理轮形图谱的特征信息的模型,轮形特征信息包括轮形图谱的颜色、纹理以及形状等特征信息,预设轮形图谱度量模型采用多层卷积层构成,通过预设轮形图谱度量模型对待处理轮形图谱进行卷积与池化的最大化,从而能够更加快速、准确地得到待处理轮形图谱的轮形特征信息。
进一步地,为了有效提高得到轮形特征信息的准确率,步骤S20,包括:提取所述待处理轮形图谱的参数信息;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型确定对应的卷积信息和池化信息;根据所述卷积信息对所述参数信息进行计算,得到第一参数信息;根据所述池化信息对所述第一参数信息进行降维,得到对应的轮形特征信息。
可以理解的是,参数信息指的是待处理轮形图谱的尺寸、颜色、纹理以及形状等参数信息,而预设轮形图谱度量模型是由卷积、池化以及多层神经网络组成,卷积信息指的是卷积的层数信息,池化信息指的是池化程度信息,第一参数信息指的是根据卷积信息对应的卷积核按照目标尺寸进行处理所得到的参数信息,同时,根据池化信息中的最大池化将第一参数信息中的维度进行降低,得到对应的轮形特征信息。
在具体实施中,轮形图谱相似性度量程序获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息。
提取模块30,用于获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息。
应当理解的是,目标轮形图谱数据库指的是存储大量轮形图谱的数据库,该目标轮形图谱数据库中包括各种颜色、不同尺寸、不同纹理以及各式形状的轮形图谱,该图像信息指的是与目标轮形图谱数据库中各轮形图谱对应的图像信息,特征向量信息指的是能够唯一识别不同轮形图谱的向量信息。
进一步地,为了有效提高得到特征向量信息的准确性,步骤S30,包括:获取目标轮形图谱数据库的图像信息,根据所述图像信息得到目标轮形图谱数据库的图像列表信息;获取轮形特征信息,根据所述轮形特征信息确定对应的类型信息;根据所述类型信息对所述图像列表信息中的图像信息进行筛选;提取筛选后的所述图像列表信息中的图像信息的特征向量信息。
可以理解的是,图像列表信息指的是由目标轮形图谱数据库的图像信息组成的列表信息,轮形特征信息指的是能够唯一识别不同轮形的特征信息,包括轮形的弧度信息、形状信息等等,根据轮形特征信息确定该轮形所属的类型,例如,轮形特征信息A对应的轮形类型为A1,轮形特征信息B对应的轮形类型为B1,通过不同的类型在轮形特征信息在图像列表信息中筛选对应的图像信息,例如,在A1类型中存在差异非常小的相似图像信息,为了提高得到特征向量信息的效率,此时从相似图像信息筛选出筛选出具有代表性的图像信息,提取该图像信息的特征向量信息。
在具体实施中,轮形图谱相似性度量程序获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息。
匹配模块40,用于将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
应当理解的是,在得到轮形特征信息与特征向量信息后,通过将轮形特征信息与特征向量信息中的尺寸、颜色、纹理以及形状分别进行匹配,根据匹配结果得到当前相似度,例如,尺寸匹配度为C1、颜色匹配度为C2、纹理匹配度为C3以及形状匹配度为C4,根据尺寸、颜色、纹理以及形状的权重计算当前相似度。
在具体实施中,轮形图谱相似性度量程序将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量。
进一步地,为了有效提高得到相似度的准确率,步骤S40之后,还包括:获取轮形特征信息与所述特征向量信息的距离信息;对所述距离信息对应的距离进行调整;获取预设轮形图谱度量模型的当前参数信息,根据调整后的距离对所述当前参数信息进行调节;基于调节后的预设轮形图谱度量模型提取待处理轮形图谱的目标轮形特征信息;根据目标轮形特征信息和所述特征向量信息得到目标相似度;根据预设分类损失函数对所述目标相似度和当前相似度进行排序。
可以理解的是,距离信息指的是在匹配过程中轮形特征信息与特征向量信息之间的距离信息,由于距离信息对应的距离会改变度量相似度的准确率,因此,通过调整后的距离对应的参数信息对预设轮形图谱度量模型的当前参数信息进行调节,当前参数信息指的是预设轮形图谱度量模型得到当前相似度的的参数信息,根据调节参数信息后的预设轮形图谱度量模型再次提取待处理轮形图谱的目标轮形特征信息,将目标轮形特征信息与特征向量信息进行匹配,得到目标相似度,根据预设分类损失函数对目标相似度和当前相似度进行排序,例如,当前相似度为D1,目标相似度为D2,且D1小于D2,则在排序时,当亲相似度位于目标相似度的后面,其中,预设分类损失函数的计算公式为:
其中,loss表示的是损失值,similarity表示相似样本数据集,dissimilarity表示不相似样本数据集。
相似样本数据集similarity与不相似样本数据集根据以下公式进行计算,具体为:
其中,y表示的是匹配标签,“1”表示匹配成功,0表示匹配失败,max表示相似度最高的目标轮形图谱,d表示的是欧式距离。
本实施例通过获取待处理轮形图谱;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;通过预设轮形图谱度量模型对待处理轮形图谱进行特征提取,根据提取的轮形特征信息与目标轮形图谱数据库的图像信息的特征向量信息进行匹配,得到当前相似度,相较于现有技术通过哈希算法计算的哈希值得到图像的相似度,能够有效提高度量相似度的准确率。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的轮形图谱相似性的度量方法,此处不再赘述。
在一实施例中,所述获取模块10,还用于获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类;获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记;根据标记后的历史轮形图谱信息对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
在一实施例中,所述获取模块10,还用于根据标记后的历史轮形图谱信息得到对应的底层特征信息;对所述底层特征信息与轮形特征信息进行计算,得到对应的欧式距离;获取预设间隔阈值,根据所述欧式距离和所述预设间隔阈值计算所述底层特征信息的权重值;获取预设损失函数,根据所述预设损失函数和所述权重值得到对应的样本数据集;根据所述样本数据集对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
在一实施例中,所述特征提取模块20,还用于提取所述待处理轮形图谱的参数信息;获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型确定对应的卷积信息和池化信息;根据所述卷积信息对所述参数信息进行计算,得到第一参数信息;根据所述池化信息对所述第一参数信息进行降维,得到对应的轮形特征信息。
在一实施例中,所述提取模块30,还用于获取目标轮形图谱数据库的图像信息,根据所述图像信息得到目标轮形图谱数据库的图像列表信息;获取轮形特征信息,根据所述轮形特征信息确定对应的类型信息;根据所述类型信息对所述图像列表信息中的图像信息进行筛选;提取筛选后的所述图像列表信息中的图像信息的特征向量信息。
在一实施例中,所述匹配模块40,还用于获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维;将降维后的轮形特征信息与降维后的特征向量信息进行匹配;根据匹配结果得到当前相似度。
在一实施例中,所述匹配模块40,还用于获取轮形特征信息与所述特征向量信息的距离信息;对所述距离信息对应的距离进行调整;获取预设轮形图谱度量模型的当前参数信息,根据调整后的距离对所述当前参数信息进行调节;基于调节后的预设轮形图谱度量模型提取待处理轮形图谱的目标轮形特征信息;根据目标轮形特征信息和所述特征向量信息得到目标相似度;根据预设分类损失函数对所述目标相似度和当前相似度进行排序。
本发明所述轮形图谱相似性的度量装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种轮形图谱相似性的度量方法,其特征在于,所述轮形图谱相似性的度量方法包括以下步骤:
获取待处理轮形图谱;
获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;
获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;
将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;
所述获取预设轮形图谱度量模型之前,还包括:
获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类;
获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记;
根据标记后的历史轮形图谱信息得到对应的底层特征信息;
对所述底层特征信息与轮形特征信息进行计算,得到对应的欧式距离;
获取预设间隔阈值,根据所述欧式距离和所述预设间隔阈值计算所述底层特征信息的权重值;
获取预设损失函数,根据所述预设损失函数和所述权重值得到对应的样本数据集;
根据所述样本数据集对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
2.如权利要求1所述的轮形图谱相似性的度量方法,其特征在于,所述获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息,包括:
提取所述待处理轮形图谱的参数信息;
获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型确定对应的卷积信息和池化信息;
根据所述卷积信息对所述参数信息进行计算,得到第一参数信息;
根据所述池化信息对所述第一参数信息进行降维,得到对应的轮形特征信息。
3.如权利要求1所述的轮形图谱相似性的度量方法,其特征在于,所述获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息,包括:
获取目标轮形图谱数据库的图像信息,根据所述图像信息得到目标轮形图谱数据库的图像列表信息;
获取轮形特征信息,根据所述轮形特征信息确定对应的类型信息;
根据所述类型信息对所述图像列表信息中的图像信息进行筛选;
提取筛选后的所述图像列表信息中的图像信息的特征向量信息。
4.如权利要求1所述的轮形图谱相似性的度量方法,其特征在于,所述将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,包括:
获取预设维度层次信息,根据所述预设维度层次信息分别对所述轮形特征信息与所述特征向量信息进行降维;
将降维后的轮形特征信息与降维后的特征向量信息进行匹配;
根据匹配结果得到当前相似度。
5.如权利要求1至4中任一项所述的轮形图谱相似性的度量方法,其特征在于,所述将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度之后,还包括:
获取轮形特征信息与所述特征向量信息的距离信息;
对所述距离信息对应的距离进行调整;
获取预设轮形图谱度量模型的当前参数信息,根据调整后的距离对所述当前参数信息进行调节;
基于调节后的预设轮形图谱度量模型提取待处理轮形图谱的目标轮形特征信息;
根据目标轮形特征信息和所述特征向量信息得到目标相似度;
根据预设分类损失函数对所述目标相似度和当前相似度进行排序。
6.一种轮形图谱相似性的度量装置,其特征在于,所述轮形图谱相似性的度量装置包括:
获取模块,用于获取待处理轮形图谱;
特征提取模块,用于获取预设轮形图谱度量模型,根据所述预设轮形图谱度量模型对所述待处理轮形图谱进行特征提取,得到对应的轮形特征信息;
提取模块,用于获取目标轮形图谱数据库的图像信息,提取所述目标轮形图谱数据库的图像信息的特征向量信息;
匹配模块,用于将所述轮形特征信息与所述特征向量信息进行匹配,得到当前相似度,以实现对待处理轮形图谱相似性的度量;
所述特征提取模块,还用于获取历史轮形图谱信息,对所述历史轮形图谱信息进行分类;获取预设标签信息,根据所述预设标签信息对分类后的历史轮形图谱信息进行标记;根据标记后的历史轮形图谱信息得到对应的底层特征信息;对所述底层特征信息与轮形特征信息进行计算,得到对应的欧式距离;获取预设间隔阈值,根据所述欧式距离和所述预设间隔阈值计算所述底层特征信息的权重值;获取预设损失函数,根据所述预设损失函数和所述权重值得到对应的样本数据集;根据所述样本数据集对预设层级的网络模型进行训练,得到对应的预设轮形图谱度量模型。
7.一种轮形图谱相似性的度量设备,其特征在于,所述轮形图谱相似性的度量设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的轮形图谱相似性的度量程序,所述轮形图谱相似性的度量程序配置有实现如权利要求1至5中任一项所述的轮形图谱相似性的度量方法。
8.一种存储介质,其特征在于,所述存储介质上存储有轮形图谱相似性的度量程序,所述轮形图谱相似性的度量程序被处理器执行时实现如权利要求1至5中任一项所述的轮形图谱相似性的度量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845888.9A CN113297411B (zh) | 2021-07-26 | 2021-07-26 | 轮形图谱相似性的度量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845888.9A CN113297411B (zh) | 2021-07-26 | 2021-07-26 | 轮形图谱相似性的度量方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297411A CN113297411A (zh) | 2021-08-24 |
CN113297411B true CN113297411B (zh) | 2021-11-09 |
Family
ID=77331005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845888.9A Active CN113297411B (zh) | 2021-07-26 | 2021-07-26 | 轮形图谱相似性的度量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297411B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359737A (zh) * | 2022-03-16 | 2022-04-15 | 深圳市信润富联数字科技有限公司 | 轮毂局部特征相似度匹配方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
US10621473B1 (en) * | 2019-01-30 | 2020-04-14 | StradVision, Inc. | Method for providing object detecting system capable of updating types of detectable classes in real-time by using continual learning and devices using the same |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3166022A1 (en) * | 2015-11-06 | 2017-05-10 | Thomson Licensing | Method and apparatus for image search using sparsifying analysis operators |
CN111275060B (zh) * | 2018-12-04 | 2023-12-08 | 北京嘀嘀无限科技发展有限公司 | 识别模型更新处理方法、装置、电子设备及存储介质 |
CN111291765A (zh) * | 2018-12-07 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 用于确定相似图片的方法和装置 |
US10885385B2 (en) * | 2019-03-19 | 2021-01-05 | Sap Se | Image search and training system |
CN109902665A (zh) * | 2019-03-28 | 2019-06-18 | 北京达佳互联信息技术有限公司 | 相似人脸检索方法、装置及存储介质 |
CN111222548A (zh) * | 2019-12-30 | 2020-06-02 | Oppo广东移动通信有限公司 | 相似图像检测方法、装置、设备及存储介质 |
-
2021
- 2021-07-26 CN CN202110845888.9A patent/CN113297411B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10621473B1 (en) * | 2019-01-30 | 2020-04-14 | StradVision, Inc. | Method for providing object detecting system capable of updating types of detectable classes in real-time by using continual learning and devices using the same |
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
Non-Patent Citations (1)
Title |
---|
基于弱监督深度学习的图像检索技术研究;胡琦瑶等;《西北大学学报(自然科学版)》;20201031;第50卷(第5期);第709-801页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297411A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240070214A1 (en) | Image searching method and apparatus | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
US11416672B2 (en) | Object recognition and tagging based on fusion deep learning models | |
CN103577475B (zh) | 一种图片自动化分类方法、图片处理方法及其装置 | |
CN109002562B (zh) | 一种仪器识别模型训练方法和装置及仪器识别方法和装置 | |
CA3066029A1 (en) | Image feature acquisition | |
CN111539440A (zh) | 用于大图像集的有效的图像匹配 | |
CN104850822B (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
CN105793867A (zh) | 图像搜索方法及设备 | |
CN111860309A (zh) | 一种人脸识别方法及系统 | |
CN112070076A (zh) | 文本段落结构还原方法、装置、设备及计算机存储介质 | |
CN111325237A (zh) | 一种基于注意力交互机制的图像识别方法 | |
EP3526728B1 (en) | System and method for object recognition based estimation of planogram compliance | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN113297411B (zh) | 轮形图谱相似性的度量方法、装置、设备及存储介质 | |
CN115171125A (zh) | 数据异常的检测方法 | |
JP5480008B2 (ja) | マンガコンテンツの要約を生成する要約マンガ画像生成装置、プログラム及び方法 | |
Pengcheng et al. | Fast Chinese calligraphic character recognition with large-scale data | |
JP2011128924A (ja) | マンガ画像からテキストを抽出するマンガ画像解析装置、プログラム、検索装置及び方法 | |
CN111985616B (zh) | 一种图像特征提取方法、图像检索方法、装置及设备 | |
JP2023130409A (ja) | 情報処理装置、情報処理方法及びプログラム | |
Bouteldja et al. | A comparative analysis of SVM, K-NN, and decision trees for high resolution satellite image scene classification | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
CN112560849B (zh) | 基于神经网络算法的文理分割方法及系统 | |
CN109740013A (zh) | 图像数据处理方法及图像检索方法 |
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 |