CN113836330A - 基于生成对抗性自动增强网络的图像检索方法及装置 - Google Patents

基于生成对抗性自动增强网络的图像检索方法及装置 Download PDF

Info

Publication number
CN113836330A
CN113836330A CN202111066975.0A CN202111066975A CN113836330A CN 113836330 A CN113836330 A CN 113836330A CN 202111066975 A CN202111066975 A CN 202111066975A CN 113836330 A CN113836330 A CN 113836330A
Authority
CN
China
Prior art keywords
network
image
street view
antagonism
generation
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
Application number
CN202111066975.0A
Other languages
English (en)
Inventor
方文璇
张凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202111066975.0A priority Critical patent/CN113836330A/zh
Publication of CN113836330A publication Critical patent/CN113836330A/zh
Pending legal-status Critical Current

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
    • G06F16/53—Querying
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于生成对抗性自动增强网络的图像检索方法，包括对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像，将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行，由测试集街景图像和验证集街景图像进行测试和验证得到最终检索结果，以提高图像检索的准确度。

Description

基于生成对抗性自动增强网络的图像检索方法及装置
技术领域
本发明涉及图像检索技术领域，具体为一种基于生成对抗性自动增强网络的图像检索方法及装置。
背景技术
现今图像数据海量增长，希望以最小的人力和物力实现快速且精确的图像检索一直是一项重要的研究内容。传统的手工提取特征早已无法满足互联网时代对检索的高需求，目前的发展趋势主要是基于内容的图像检索。基于内容的图像检索通过对图像的分析，采用不同算法得到的模型来提取图像的特征并存储在特征数据库，这样可节省大量资源，也反映了图像检索智能化。
近年，卷积神经网络通过不断训练与学习后，具有图像的局部感知能力与局部信息的融合能力，可以提取图像信息更丰富的深层语义特征，这被研究者应用于图像检索领域并取得了不错的成果。然而，图像检索核心难点是学习具有足够辨别力的图像表示，以区分GPS标记数据集中重复和相似的位置。它被视为弱监督任务，因为地理上靠近的图像在面向不同方向时可能无法描绘相同的场景。因此，数据图像的嘈杂背景会影响卷积神经网络的训练与学习，不利于提取出表征图像主体信息更强的深度特征。其次，经典卷积神经网络提取出的深度特征维度过高，特征表征能力不够强。最后，传统分类模型特征存在判别能力不足的缺点，并不适用于图像检索领域。
发明内容
本发明的目的在于提供一种能够提高图像检索准确度的基于生成对抗性自动增强网络的图像检索方法及装置。
本发明提供了基于生成对抗性自动增强网络的图像检索方法，包括如下步骤：
S1、对公开数据集的街景图像进行预处理；
S2、对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像；
S3、搭建生成包含增强策略网络和目标检索网络的生成对抗性自动增强网络；
S4、将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行；
S5、将测试集街景图像和验证集街景图像输入至训练与确定好模型参数的生成对抗性自动增强网络，进行测试和验证得到最终检索结果。
优选地，步骤S1包括如下步骤：
S1-1、获取公开数据集的街景图像；
S1-2、将公开数据集的街景图像的眼底图像进行裁剪，裁剪成统一的分辨率图像；
S1-3、对统一分辨率的图像进行亮度、对比度、饱和度和色调处理，然后进行归一化操作。
优选地，步骤S2中划分为训练集街景图像时，训练集中的每组街景图像包括一个查询图像、一个最简单的正图像、前n个困难的正图像和负图像。
优选地，步骤S4中包括将输入生成对抗性自动增强网络的训练集街景图像特征进行若干代模型训练，具体包括如下步骤：
S4-1、将第一代模型的输出作为第二代模型的监督，第一代模型通过与相同算法的方案进行训练；
S4-2、训练收敛后，建立并初始化第二代模型；
S4-3、并使用固定的第一代模型进行相似度标签的估计，用以训练第二代模型，以此循环。
优选地，在增强策略网络的搜索空间中，一个增强策略被定义为由m个子策略组成，一个子策略包含两个要依次应用的图像操作，每个操作都是一个图像处理函数，有两个对应的参数，以及应用这个操作的概率和幅度，然后将每个最佳策略连接起来形成一个包含m×m个子策略的单个策略。
优选地，对所有操作的幅度都设置在预设的范围值内。
本发明还提供一种基于生成对抗性自动增强网络的图像检索装置，包括至少一个存储器以及至少一个处理器；
所述存储器，包括存储于其中的至少一个可执行程序；
所述可执行程序在由所述处理器执行时，实现所述的方法。
本发明提供了基于生成对抗性自动增强网络的图像检索方法，通过使用增强策略网络作为对手，试图通过对抗学习来增加目标检索网络的训练损失，而目标检索网络是经过每个批次的多个增强实例形成的大批量训练，从而促进学习，并使用应用于相同数据的不同增强策略的损失来训练增强，使得训练后的生成对抗性自动增强网络提取图像的深度网络特征具有很高的鉴别力，进而提高了图像检索的准确度。
附图说明
图1为本本发明实施例提供的基于生成对抗性自动增强网络的图像检索方法的流程示意图；
图2是本发明实施例中基于生成对抗性自动增强网络的示意图；
图3是本发明实施例中增强策略网络的示意图；
图4是本发明实施例中目标检索网络的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是根据本发明实施例提供的基于生成对抗性自动增强网络的图像检索方法的流程示意图，基于生成对抗性自动增强网络的图像检索方法包括以下步骤：
S1、对公开数据集的街景图像进行预处理；
S2、对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像；
S3、搭建生成包含增强策略网络和目标检索网络的生成对抗性自动增强网络；
S4、将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行；
S5、将测试集街景图像和验证集街景图像输入至训练与确定好模型参数的生成对抗性自动增强网络，进行测试和验证得到最终检索结果。
在本发明的一种实施例中，对公开数据集的街景图像进行预处理包括：获取公开数据集的街景图像,将公开数据集的街景图像的眼底图像进行裁剪，裁剪成分辨率为640×480的统一大小，然后改变图像的属性：亮度、对比度、饱和度和色调，再进行归一化的操作。
划分为训练集街景图像时，训练集中的每组街景图像包括一个查询图像、一个最简单的正图像、前n个困难的正图像和负图像，例如前10个困难的正图像和负图像。
如图2所示，生成对抗性自动增强网络网络主要有两个子网络：增强策略网络和目标检索网络。增强策略网络会生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后送入一个目标检索网络，通过学习更多的特征来最小化损失(loss)，并更新权重。这些损失也会收集起来作为反馈，去更新增强策略网络来最大化损失，得到新的增强策略，迭代进行。
步骤S4中包括将输入生成对抗性自动增强网络的训练集街景图像特征进行若干代模型训练，例如4代模型训练，每代有5个周期，其中，将第一代模型的输出作为第二代模型的监督，第一代模型通过与相同算法的方案进行训练，训练收敛后，建立并初始化第二代模型，并使用固定的第一代模型进行相似度标签的估计，用以训练第二代模型，以此循环。使得预测的相似度标签准确性和模型的辨别性随着训练的迭代不断更新和提升，从而形成自监督的过程。
其中，所述步骤S4中，采用所述训练集中的街景图像作为输入特征输入所述生成对抗性自动增强网络，其中增强策略网络以处理后的奖励信号为指导进行训练，旨在通过生成对抗性策略来最大化目标检索网络的训练损失，为了对抗由敌对策略增强的更难的例子，目标检索网络必须学习更健壮的特征，这使得训练更有效，从而得到训练所述生成对抗性自动增强网络。
在增强策略网络的搜索空间中，一个增强策略被定义为由m个子策略组成，然后一个子策略包含两个要依次应用的图像操作，每个操作都是一个图像处理函数，有两个对应的参数，以及应用这个操作的概率和幅度，然后将m个最佳策略连接起来形成一个包含m×m个子策略的单个策略。例如一个增强策略被定义为由5个子策略组成，然后一个子策略包含两个要依次应用的图像操作，每个操作都是一个图像处理函数，有两个对应的参数，以及应用这个操作的概率和幅度，如图3所示，最后，将每个最佳策略连接起来形成一个包含25个子策略的单个策略。
在搜索空间中共有14种图像处理操作，包括ShearX/Y、TranslateX/Y、Rotate、AutoContrast、Invert、Equalize、Solarize、Posterize、Color、Brightness、Sharpness、和Sample配对。幅度的范围也均匀地离散为10个值。为了保证对抗学习过程中的收敛性，所有操作的幅度都设置在一个适中预设的范围内。此外，在搜索空间中引入了训练过程中的随机性。因此，每个epoch中策略的搜索空间有(14×10)10种可能性。
在增强策略网络中的搜索算法是由RNN实现的，对数据增强策略进行采样。策略将被用于训练具有固定体系结构的目标检索网络，其损失将被发送回以更新控制器，控制器将通过策略梯度方法进行更新。在RNN控制器的每个时间步，softmax层将预测对应于子策略的离散参数的动作，然后嵌入预测的动作将被送入下一个时间步。RNN控制器实现为一层LSTM，将隐藏层大小设置为100，嵌入层大小设置为32，并且与每个架构决策相关的两个卷积单元的2×5×10softmax预测，控制器RNN的10×5个预测中的每一个都与一个概率相关联。可使用Adam优化器和初始学习率为0.00035来训练控制器，为了避免意外的快速收敛，应用了权重为0.00001的熵惩罚。
在搜索结束时，则将最佳5个策略中的子策略连接到一个单个策略(包含25个子策略)。这个具有25个子策略的最终策略用于训练每个数据集的模型。
如图4所示，在目标检索网络中，运用VGG-16作为主干，然后按照VLAD的思想进行编码和聚合特征表示。先使用在Image Net数据集上预训练过的VGG-16直到ReLU之前的最后一个卷积层(即conv5)用来提取局部特征，当在基于图像的定位数据集上训练时，除了最后一个卷积块(即conv5)之外的整个主干都被冻结。然后，使用CNN Feature代替了传统VLAD中的N个局部描述子，CNN是一个全局的特征，它的Feature Map是W*H*D大小，那么类比之前的传统方法N*D，这里旨在将W*H*D(N＝W*H)的特征转换为K*D的特征。具体而言，为实现更加细粒化的分辨效果，先将匹配的正样本拆分为4个四分之一区域，接着通过一个1x1的卷积，然后进行softmax，然后用vlad core做一个减法，再聚合得到四分之一区域的特征、二分之一区域的特征和整幅图像的特征，将每一个D维的特征分别作归一化，此处对聚类中残差的绝对大小不感兴趣，唯一关心的是残差的分布。第二个归一化则是将最后得到K×D维特征一起归一化。在实验中通过经验采用随机梯度下降(SGD)算法对损失函数进行优化，动量0.9，权重衰减0.001，恒定学习速率＝0.001。
其中，步骤S5中将预处理后的测试集街景图像和验证集街景图像作为输入特征输入生成对抗性自动增强网络的训练算法模型。模型算法经过训练直到收敛，选择性能表现最优的模型参数进行保存，然后在公共数据集pitts250k和tokyo 24/7上评估模型的性能。
该方案使用子集Pitts30k进行训练，并选择在Pitts30k的val-set上实现最佳性能的最佳模型。Pitts30k训练包含7,416个待查询和10,000张图库图像，Pitts30k-val包含7,608个查询和10,000张图库图像。然后通过在大规模Pitts250k测试中对图像进行排序来获得最终检索结果，该测试包含8,280个带查询图像和83,952个数据库图像。为了验证该方法的泛化能力，直接评估了在tokyo 24/7数据集上在Pitts30k-train上训练的模型，这非常具有挑战性，因为查询是在不同的条件下进行的。
其参数是在Pitts30k-train上学习的，将特征维度减少到4,096。其遵循统一检索的评估指标，其中top-k召回是在定位数据集、Pitts250k-test和Tokyo24/7上测量的。如果前k个检索到的参考图像中的至少一个位于距查询图像d＝25米内，则确定从前k个成功检索到查询图像。
在两个基准数据集上将该方法与其他方法进行比较。为了公平比较，在此列出近几年深度学习方法的已发布的最显著结果。使用recall@1，recall@5，recall@10来更好地评估本发明方法性能的各个方面。Pitts250k数据集实验结果如表1所示：
Figure BDA0003258812440000081
Tokyo24/7数据集实验结果如表2所示：
Figure BDA0003258812440000082
从表1、表2中可以看出，本发明的方法不论是在Pitts250k还是Tokyo24/7数据集都首次实现了指标的超越，与其他方法相比，将recall@k提高了近1-2％。其中，在Pitts250k上recall@10更是达到了97.2，在Tokyo 24/7达到了93.3，由上可以看出，本发明的方法实现了最优的性能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.基于生成对抗性自动增强网络的图像检索方法，其特征在于，包括如下步骤：
S1、对公开数据集的街景图像进行预处理；
S2、对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像；
S3、搭建生成包含增强策略网络和目标检索网络的生成对抗性自动增强网络；
S4、将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络，由增强策略网络生成不同的策略，并把这些策略作用于相同的数据上，对数据集中一批大小的图像数据进行策略中的增强处理，得到增强后的数据，然后由目标检索网络，通过学习更多的特征来最小化损失，并更新权重，同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失，得到新的增强策略，并迭代进行；
S5、将测试集街景图像和验证集街景图像输入至训练与确定好模型参数的生成对抗性自动增强网络，进行测试和验证得到最终检索结果。
2.根据权利要求1所述的基于生成对抗性自动增强网络的图像检索方法，其特征在于，步骤S1包括如下步骤：
S1-1、获取公开数据集的街景图像；
S1-2、将公开数据集的街景图像的眼底图像进行裁剪，裁剪成统一的分辨率图像；
S1-3、对统一分辨率的图像进行亮度、对比度、饱和度和色调处理，然后进行归一化操作。
3.根据权利要求1所述的基于生成对抗性自动增强网络的图像检索方法，其特征在于，步骤S2中划分为训练集街景图像时，训练集中的每组街景图像包括一个查询图像、一个最简单的正图像、前n个困难的正图像和负图像。
4.根据权利要求1所述的基于生成对抗性自动增强网络的图像检索方法，其特征在于，步骤S4中包括将输入生成对抗性自动增强网络的训练集街景图像特征进行若干代模型训练，具体包括如下步骤：
S4-1、将第一代模型的输出作为第二代模型的监督，第一代模型通过与相同算法的方案进行训练；
S4-2、训练收敛后，建立并初始化第二代模型：
S4-3、并使用固定的第一代模型进行相似度标签的估计，用以训练第二代模型，以此循环。
5.根据权利要求1所述的基于生成对抗性自动增强网络的图像检索方法，其特征在于，在增强策略网络的搜索空间中，一个增强策略被定义为由m个子策略组成，一个子策略包含两个要依次应用的图像操作，每个操作都是一个图像处理函数，有两个对应的参数，以及应用这个操作的概率和幅度，然后将每个最佳策略连接起来形成一个包含m×m个子策略的单个策略。
6.根据权利要求5所述的基于生成对抗性自动增强网络的图像检索方法，其特征在于，对所有操作的幅度都设置在预设的范围值内。
7.一种基于生成对抗性自动增强网络的图像检索装置，其特征在于，包括：包括至少一个存储器以及至少一个处理器；
所述存储器，包括存储于其中的至少一个可执行程序；
所述可执行程序在由所述处理器执行时，实现如权利要求1至6中任一项所述的方法。
CN202111066975.0A 2021-09-13 2021-09-13 基于生成对抗性自动增强网络的图像检索方法及装置 Pending CN113836330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111066975.0A CN113836330A (zh) 2021-09-13 2021-09-13 基于生成对抗性自动增强网络的图像检索方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111066975.0A CN113836330A (zh) 2021-09-13 2021-09-13 基于生成对抗性自动增强网络的图像检索方法及装置

Publications (1)

Publication Number Publication Date
CN113836330A true CN113836330A (zh) 2021-12-24

Family

ID=78959146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111066975.0A Pending CN113836330A (zh) 2021-09-13 2021-09-13 基于生成对抗性自动增强网络的图像检索方法及装置

Country Status (1)

Country Link
CN (1) CN113836330A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691911A (zh) * 2022-03-22 2022-07-01 电子科技大学 一种基于信息瓶颈变分蒸馏的跨视角地理图像检索方法
CN114882220A (zh) * 2022-05-20 2022-08-09 山东力聚机器人科技股份有限公司 基于域自适应先验知识引导gan的图像生成方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633459A (zh) * 2019-09-24 2021-04-09 华为技术有限公司 训练神经网络的方法、数据处理方法和相关装置
CN113191387A (zh) * 2021-03-27 2021-07-30 西北大学 结合无监督学习与数据自增强的文物碎片点云分类方法
CN113379045A (zh) * 2020-02-25 2021-09-10 华为技术有限公司 数据增强方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633459A (zh) * 2019-09-24 2021-04-09 华为技术有限公司 训练神经网络的方法、数据处理方法和相关装置
CN113379045A (zh) * 2020-02-25 2021-09-10 华为技术有限公司 数据增强方法和装置
CN113191387A (zh) * 2021-03-27 2021-07-30 西北大学 结合无监督学习与数据自增强的文物碎片点云分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINYU ZHANG等: "ADVERSARIAL AUTOAUGMENT" *
葛艺潇等: "Self-supervising Fine-grained Region Similarities for Large-scale Image Localization" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114691911A (zh) * 2022-03-22 2022-07-01 电子科技大学 一种基于信息瓶颈变分蒸馏的跨视角地理图像检索方法
CN114691911B (zh) * 2022-03-22 2023-04-07 电子科技大学 一种基于信息瓶颈变分蒸馏的跨视角地理图像检索方法
CN114882220A (zh) * 2022-05-20 2022-08-09 山东力聚机器人科技股份有限公司 基于域自适应先验知识引导gan的图像生成方法及系统
CN114882220B (zh) * 2022-05-20 2023-02-28 山东力聚机器人科技股份有限公司 基于域自适应先验知识引导gan的图像生成方法及系统

Similar Documents

Publication Publication Date Title
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN112163465B (zh) 细粒度图像分类方法、系统、计算机设备及存储介质
CN108170736A (zh) 一种基于循环注意力机制的文档快速扫描定性方法
CN110851645B (zh) 一种基于深度度量学习下相似性保持的图像检索方法
CN108694225A (zh) 一种图像搜索方法、特征向量的生成方法、装置及电子设备
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN105808590B (zh) 搜索引擎实现方法、搜索方法以及装置
WO2018125932A1 (en) Clustering search results based on image composition
CN110019889A (zh) 训练特征提取模型及计算图片与查询词相关性系数的方法和相关装置
CN112182221B (zh) 一种基于改进随机森林的知识检索优化方法
CN113836330A (zh) 基于生成对抗性自动增强网络的图像检索方法及装置
CN109902192B (zh) 基于无监督深度回归的遥感图像检索方法、系统、设备及介质
CN110909158B (zh) 基于改进萤火虫算法和k近邻的文本分类方法
CN113886626B (zh) 基于多重注意力机制的动态记忆网络模型的视觉问答方法
CN107045717A (zh) 基于人工蜂群算法的白细胞的检测方法
Simran et al. Content based image retrieval using deep learning convolutional neural network
CN111506760A (zh) 一种基于困难感知的深度集成度量图像检索方法
CN112182155B (zh) 一种基于生成式对抗网络的搜索结果多样化方法
CN112507159B (zh) 哈希网络训练方法、广告图像素材检索方法及相关装置
CN111723179B (zh) 基于概念图谱的反馈模型信息检索方法、系统及介质
CN111191059B (zh) 图像处理方法、装置、计算机存储介质及电子设备
Chang et al. Semantic clusters based manifold ranking for image retrieval
using Relevance A Meta-heuristic optimization approach for content based image retrieval using relevance feedback method
CN116451859A (zh) 一种基于贝叶斯优化的生成对抗网络股票预测方法
Zhang et al. Application an improved swarming optimisation in attribute reduction

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