CN113868460A - 一种图像检索方法、装置及系统 - Google Patents
一种图像检索方法、装置及系统 Download PDFInfo
- Publication number
- CN113868460A CN113868460A CN202010622037.3A CN202010622037A CN113868460A CN 113868460 A CN113868460 A CN 113868460A CN 202010622037 A CN202010622037 A CN 202010622037A CN 113868460 A CN113868460 A CN 113868460A
- Authority
- CN
- China
- Prior art keywords
- picture
- fine
- neural network
- convolutional neural
- feature extraction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 239000010419 fine particle Substances 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping 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
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06F16/58—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
- 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
- G06N3/08—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)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检索方法、装置及系统。方法包括准备训练数据集,对训练数据集中的所有索引图片进行图片级别标注;搭建细粒度特征提取卷积神经网络;将训练数据集输入细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库;将待识别图片输入细粒度特征提取卷积神经网络,提取待识别图片的特征,与索引库中的特征比对,输出检索结果。本发明在应用上可以解决分类数据较大且界限不明的分类任务,在技术上相较于传统人工提取特征的方法能在图像检索方面取得更好的效果,并且采用的弱监督模式相较于细粒度分类中的强监督模式能减少大量的标注工作,效果也与强监督相差无几。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种图像检索方法、装置及系统。
背景技术
日常生活中人们会希望对观察到的未知事物进行了解,但在搜索过程中无法通过语言准确描述其特征,因此‘以图搜图’的检索形式应运而生。‘以图搜图’技术可以应用在垃圾分类场景中。垃圾的种类非常多,人们很难将其一一分类进行识别,但可以通过建立检索库,通过‘以图搜图’形式进行识别。不过,该技术需要提取图片细粒度特征,并与特征库中特征比对选出最相近的图片。其难点在于该技术不仅要提取出图片的主体信息,还要兼顾主体上的细节信息才能进行精准匹配。
在传统图像检索方法中,人们先判断搜索图片的大致分类,后基于人造图像特征,如SIFT,进行特征提取,通过对提取的特征进行距离比对进而进行检索;而在采用深度学习方法提取特征的细粒度分类模型中,基于有监督的特征提取模型需要对数据集进行主体框和部位标注点等额外的人工标注,再根据这些标注信息进行训练得到图片的细粒度特征。
传统检索方法所用的人造图像特征在效果上往往不尽如人意,而上述深度学习方法虽能取得一定效果,但在实际应用中需要进行大量的人工标注,增加了该方法的使用难度,效率较低,实用性较差,并且在一些复杂的使用场景下,人工应该标注哪些细节信息难以界定,甚至标注出的信息会导致模型难以收敛。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种图像检索方法、装置及系统。所述技术方案如下:
第一方面,提供了一种图像检索方法,该方法包括:
准备训练数据集,对训练数据集中的所有索引图片进行图片级别标注;
搭建细粒度特征提取卷积神经网络;
将训练数据集输入细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库;
将待识别图片输入细粒度特征提取卷积神经网络,提取待识别图片的特征,与索引库中的特征比对,输出检索结果。
进一步地,采用级联方式对索引图片的主体部分和细节部分特征进行融合,将融合后的特征分别输入归一化指数损失函数和三元组损失函数,进行参数更新。
进一步地,三元组包括目标图片、与目标图片相同分类的正例图片以及与目标图片不同分类的反例图片,目标图片是索引图片或待识别图片。
进一步地,目标图片输入去除全连层的vgg16基础网络,将卷积层所有通道数加和,选取响应最大的网格,将网格位置信息输入全连接层,得到fc1_1层,同时裁剪目标图片,放大后再次输入vgg16基础网络,得到fc1_2层,fc1_1层与fc1_2层归一化后结合得到fc1层。
进一步地,正例图片是与目标图片同分类距离最远的图片,正例图片输入细粒度特征提取卷积神经网络得到fc2层。
进一步地,负例图片是与目标图片不同分类距离最近的图片,负例图片输入细粒度特征提取卷积神经网络得到fc3层。
进一步地,fc1层输入归一化指数损失函数,利用分类信息更新参数;
fc1层、fc2层以及fc3层输三元组损失函数,使同分类图片距离小于不同类图片距离。
进一步地,细粒度特征提取卷积神经网络采用交替训练方式,先更新归一化指数损失函数的参数并固定,根据该参数产生的特征输入三元组损失函数更新参数,并固定参数,同时再次更新归一化指数损失函数的参数。
第二方面,提供了一种图像检索装置,包括:
数据准备模块,用于准备训练数据集,对训练数据集中的所有索引图片进行图片级别标注。
网络构建模块,用于搭建细粒度特征提取卷积神经网络.;
特征提取模块,用于将训练数据集输入细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库。
检索模块,用于将待识别图片输入细粒度特征提取卷积神经网络,提取待识别图片的特征,与索引库中的特征比对,输出检索结果。
第三方面,本发明还提供一种计算机系统,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述任意一项所述方法的操作。
本发明实施例提供的技术方案所带来的有益效果是:
本发明可以解决分类数据较大且界限不明的分类任务,如垃圾分类;在技术上相较于传统人工提取特征的方法能在图像检索方面取得更好的效果,并且本发明所采用的弱监督模式相较于细粒度分类中的强监督模式能减少大量的标注工作,效果也与强监督相差无几。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例1提供的图像检索方法流程图;
图2是本发明实施例1提供的细粒度特征提取卷积神经网络结构图;
图3是本发明实施例2提供的图像检索装置的流程示意图;
图4是本发明实施例3提供的计算机系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
实施例1
如图1所示,一种图像检索方法,包括以下步骤:
S1,准备训练数据集,对训练数据集中的所有索引图片进行图片级别标注。
在该步骤中,针对图像检索的应用场景,针对性的准备训练数据集,并对训练数据集进行图片级别标注,标注索引图片中主体属于哪一分类。
S2,搭建细粒度特征提取卷积神经网络。
在该步骤中,细粒度特征提取卷积神经网络采用级联方式对图片主体及细节部分特征进行融合,并将融合后特征分别输入归一化指数损失函数(softmax loss)与三元组损失函数(triplet loss),进行参数的更新,更新过程采用交替训练方法。
进一步地,采用级联方式提取图片的主体及细节部分特征,先提取网络最后一层卷积层后将所有通道加和,将加和后卷积响应最大区域对应回原图区域后线性插值放大后再次输入进网络进行特征提取,将两次提取产生的特征融合后输入loss层。
具体地,细粒度特征提取卷积神经网络如图2所示,其中,三元组包括目标图片a、与目标图片a相同分类的正例图片p以及与目标图片a不同分类的反例图片n,卷积层conv为vgg16基础网络除去全连接层的前部卷积层。
对于目标图片a,将其输入去除全连接层的vgg16基础网络,conv5卷积层为14*14*512张量,将其所有通道数加和,得到14*14的特征映射,选取7*7响应最大的网格,将该网格的位置信息一方面对应回512通道conv5卷积层,将其输入全连接层,得到fc1_1,另一方面将其对应回原图位置对原图进行裁剪,再将裁剪后的信息通过线性插值方法放大至224*224再次输入细粒度特征提取卷积神经网络得到fc1_2,将fc1_1与fc1_2归一化后结合得到fc1。将fc1输入归一化指数损失函数利用分类信息更新参数。
对于正例图片p,选取一个样本数(batchsize)内与目标图片a同分类距离最远的图片,将正例图片p输入细粒度特征提取卷积神经网络得到fc2。
对于负例图片n,选取一个样本数(batchsize)内与目标图片a不同分类距离最近的图片,将负例图片n输入细粒度特征提取卷积神经网络得到fc3。
将fc1、fc2、fc3输入三元组损失函数,其公式为
S3、将训练数据集输入细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库。
在本步骤中,步骤S2的细粒度特征提取卷积神经网络搭建完成后,将训练数据集输入该网络进行训练,对训练数据集中的索引图片进行特征提取,并建立索引库。
S4、将待识别图片输入细粒度特征提取卷积神经网络,提取待识别图片的特征,与索引库中的特征比对,输出检索结果。
在本步骤中,建立好索引库以后,将待识别图片同样输入步骤S2搭建的细粒度特征提取卷积神经网络中,提取待识别图片的特征,并且与索引库中的特征比对,可以按距离从小到大进行排序,距离越小相似度越高,排序结果即为检索结果,输出检索结果,完成图像检索。
进一步地,步骤S2中的目标图片是索引图片或待识别图片。
进一步地,细粒度特征提取卷积神经网络采用交替训练方式,将归一化指数损失函数与三元组损失函数相结合,即网络输出的融合特征,先更新归一化指数损失函数参数后将其固定,选取三元组,根据该参数产生的特征输入三元组损失函数更新参数,后固定其参数,再次更新归一化指数损失函数参数。使用imagenet预训练网络对参数进行初始化。
通过本实施例的技术方案,先将所有被索引图片进行特征提取,对提取到的特征建立索引库;当需要对待识别图片进行索引时,需要将图片输入进相同的特征提取网络输出特征,将该特征采用近邻搜索算法flann进行检索,距离最近或距离较近topn中多数物品类别为待识别图片类别,将检索到的结果按距离从小到大排序即为本次检索结果。该方法相较于直接进行分类识别效果有明显提升。
实施例2
为了实现实施例1中公开的一种图像检索方法,本实施例在实施例1的基础上提供一种图像检索装置,如图3所示,包括:
数据准备模块100,用于准备训练数据集,对训练数据集中的所有索引图片进行图片级别标注。
网络构建模块200,用于搭建细粒度特征提取卷积神经网络.;
特征提取模块300,用于将训练数据集输入细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库。
检索模块400,用于将待识别图片输入细粒度特征提取卷积神经网络,提取待识别图片的特征,与索引库中的特征比对,输出检索结果。
实施例3
本实施例基于实施例1的图像检索方法提供了一种计算机系统,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述特征选择方法。
其中,图4示例性的展示出了计算机系统的架构,具体可以包括处理器310,视频显示适配器311,磁盘驱动器312,输入/输出接口313,网络接口314,以及存储器320。上述处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314,与存储器320之间可以通过通信总线330进行通信连接。
其中,处理器310可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请所提供的技术方案。
存储器320可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器320可以存储用于控制电子设备300运行的操作系统321,用于控制电子设备300的低级别操作的基本输入输出系统322(BIOS)。另外,还可以存储网页浏览器323,数据存储管理系统324,以及设备标识信息处理系统325等等。上述设备标识信息处理系统325就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之,在通过软件或者固件来实现本申请所提供的技术方案时,相关的程序代码保存在存储器320中,并由处理器310来调用执行。
输入/输出接口313用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口314用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线330包括一通路,在设备的各个组件(例如处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314,与存储器320)之间传输信息。
另外,该电子设备300还可以从虚拟资源对象领取条件信息数据库341中获得具体领取条件的信息,以用于进行条件判断,等等。
需要说明的是,尽管上述设备仅示出了处理器310、视频显示适配器311、磁盘驱动器312、输入/输出接口313、网络接口314,存储器320,总线330等,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本发明的方法可应用于大数据计算平台Spark、Hive和Flink等计算框架的任务诊断。大数据计算平台的任务就是要保证业务任务顺利的完成,同时需要集群资源的合理应用进行把控。智能化的计算框架任务诊断就变得极其重要,如Spark任务运行失败了或者资源使用存在浪费的情况,就需要把失败的原因和建议优化方案推送给用户。而Spark运行一个应用的过程中涉及的指标数目庞大,并不是所有的指标都对分类属性(任务的失败、成功、利用率高、利用率低)有作用,并且指标之间存在着大量的冗余。这些指标会严重降低分类器的准确率,同时在训练数据模型时需要花费大量的宝贵时间和昂贵的资源,从而严重降低了模型的学习速率。本发明的方法可以应用在此场景,找出对Spark任务运行状态和资源利用率最有影响的相关指标,针对这些指标可以针对不同的业务场景提出对应的优化方案推送给用户。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明提出的一种基于弱监督学习的细粒度特征提取算法提取图像特征的图像检索方法,可以应用于所识别物品分类数目多,难以准确界定分类标准的场景,如垃圾分类。在技术层面该方法采用深度学习方式提取特征,提高了图像检索的准确率。另一方面该方法仅需提供图片分类信息而不需进行主体及细节部分标注工作,大大提高了该方法的实用性。相较于传统人工提取特征的方法能在图像检索方面取得更好的效果,并且本发明所采用的弱监督模式相较于细粒度分类中的强监督模式能减少大量的标注工作,效果也与强监督相差无几。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像检索方法,其特征在于,所述方法包括如下步骤:
准备训练数据集,对所述训练数据集中的所有索引图片进行图片级别标注;
搭建细粒度特征提取卷积神经网络;
将所述训练数据集输入所述细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库;
将待识别图片输入所述细粒度特征提取卷积神经网络,提取所述待识别图片的特征,与所述索引库中的特征比对,输出检索结果。
2.根据权利要求1所述的方法,其特征在于,采用级联方式对所述索引图片的主体部分和细节部分特征进行融合,将融合后的特征分别输入归一化指数损失函数和三元组损失函数,进行参数更新。
3.根据权利要求2所述的方法,其特征在于,三元组包括目标图片、与目标图片相同分类的正例图片以及与目标图片不同分类的反例图片,所述目标图片是索引图片或待识别图片。
4.根据权利要求3所述的方法,其特征在于,所述目标图片输入去除全连层的vgg16基础网络,将卷积层所有通道数加和,选取响应最大的网格,将所述网格位置信息输入全连接层,得到fc1_1层,同时裁剪所述目标图片,放大后再次输入所述vgg16基础网络,得到fc1_2层,fc1_1层与fc1_2层归一化后结合得到fc1层。
5.根据权利要求4所述的方法,其特征在于,所述正例图片是与所述目标图片同分类距离最远的图片,所述正例图片输入所述细粒度特征提取卷积神经网络得到fc2层。
6.根据权利要求4所述的方法,其特征在于,所述负例图片是与所述目标图片不同分类距离最近的图片,所述负例图片输入所述细粒度特征提取卷积神经网络得到fc3层。
7.根据权利要求6所述的方法,其特征在于,
所述fc1层输入归一化指数损失函数,利用分类信息更新参数;
所述fc1层、fc2层以及fc3层输三元组损失函数,使同分类图片距离小于不同类图片距离。
8.根据权利要求7所述的方法,其特征在于,所述细粒度特征提取卷积神经网络采用交替训练方式,先更新归一化指数损失函数的参数并固定,根据该参数产生的特征输入三元组损失函数更新参数,并固定参数,同时再次更新归一化指数损失函数的参数。
9.一种图像检索装置,其特征在于,包括:
数据准备模块,用于准备训练数据集,对所述训练数据集中的所有索引图片进行图片级别标注;
网络构建模块,用于搭建细粒度特征提取卷积神经网络;
特征提取模块,用于将所述训练数据集输入所述细粒度特征提取卷积神经网络进行训练,并提取索引图片的特征,建立索引库;
检索模块,用于将待识别图片输入所述细粒度特征提取卷积神经网络,提取所述待识别图片的特征,与所述索引库中的特征比对,输出检索结果。
10.一种计算机系统,其特征在于,包括:
一个或多个处理器;以及
与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如权利要求1~8任意一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622037.3A CN113868460A (zh) | 2020-06-30 | 2020-06-30 | 一种图像检索方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622037.3A CN113868460A (zh) | 2020-06-30 | 2020-06-30 | 一种图像检索方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868460A true CN113868460A (zh) | 2021-12-31 |
Family
ID=78980837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622037.3A Pending CN113868460A (zh) | 2020-06-30 | 2020-06-30 | 一种图像检索方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100460A (zh) * | 2022-06-13 | 2022-09-23 | 广州丽芳园林生态科技股份有限公司 | 一种基于深度学习和向量检索的植物分类识别的方法、装置、设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010622037.3A patent/CN113868460A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100460A (zh) * | 2022-06-13 | 2022-09-23 | 广州丽芳园林生态科技股份有限公司 | 一种基于深度学习和向量检索的植物分类识别的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022068196A1 (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN109740657B (zh) | 一种用于图像数据分类的神经网络模型的训练方法与设备 | |
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
EP3832541A2 (en) | Method and apparatus for recognizing text | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN108334805B (zh) | 检测文档阅读顺序的方法和装置 | |
CN112016601B (zh) | 基于知识图谱增强小样本视觉分类的网络模型构建方法 | |
CN108288208B (zh) | 基于图像内容的展示对象确定方法、装置、介质及设备 | |
WO2023138188A1 (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
WO2022105297A1 (zh) | 表格结构的还原方法、系统、计算机设备及存储介质 | |
JP7242994B2 (ja) | ビデオイベント識別方法、装置、電子デバイス及び記憶媒体 | |
US20240135698A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN112329785A (zh) | 图像管理方法、装置、终端及存储介质 | |
JP2022117941A (ja) | イメージ検索方法、装置、電子機器、及びコンピュータ読み取り可能な記憶媒体 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN116049397A (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN113821657A (zh) | 基于人工智能的图像处理模型训练方法及图像处理方法 | |
CN113868460A (zh) | 一种图像检索方法、装置及系统 | |
US11847599B1 (en) | Computing system for automated evaluation of process workflows | |
CN111709473A (zh) | 对象特征的聚类方法及装置 | |
CN116883740A (zh) | 相似图片识别方法、装置、电子设备和存储介质 | |
CN114724254B (zh) | 确定动作类别的方法、装置、设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211231 |