CN114637881B - 基于多代理度量学习的图像检索方法 - Google Patents

基于多代理度量学习的图像检索方法 Download PDF

Info

Publication number
CN114637881B
CN114637881B CN202210275989.1A CN202210275989A CN114637881B CN 114637881 B CN114637881 B CN 114637881B CN 202210275989 A CN202210275989 A CN 202210275989A CN 114637881 B CN114637881 B CN 114637881B
Authority
CN
China
Prior art keywords
sample
agent
samples
agents
feature vector
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
Application number
CN202210275989.1A
Other languages
English (en)
Other versions
CN114637881A (zh
Inventor
李述特
陈百基
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210275989.1A priority Critical patent/CN114637881B/zh
Publication of CN114637881A publication Critical patent/CN114637881A/zh
Application granted granted Critical
Publication of CN114637881B publication Critical patent/CN114637881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于多代理度量学习的图像检索方法，包括：1)为训练数据集中每个类别分配固定数量的代理并初始化；2)从训练数据集中采样小批量样本，将该样本输入神经网络模型中得到特征向量；3)构建采样样本与代理之间的关联关系图；4)根据关联关系和损失函数，通过梯度反向传播算法更新模型的参数值和代理的参数值；5)循环2)‑4)直到达到预设的训练停止条件，即完成训练，得到最终用于图像检索的模型。本发明基于多代理度量学习，为每个类设置多个代理来保持同类样本的差异性特征，损失函数在保证难例样本分辨能力的同时促进异类样本之间特征共享，从而提升模型在新类别上的泛化能力，从而提升图像检索的成功率。

Description

基于多代理度量学习的图像检索方法
技术领域
本发明涉及图像检索的技术领域，尤其是指一种基于多代理度量学习的图像检索方法。
背景技术
深度度量学习旨在学习一种语义度量方法，通过深度神经网络将样本映射到嵌入空间，使得相似语义样本彼此靠近而不同语义样本彼此远离。深度度量学习是图像检索领域的最常用方法之一。
基于度量学习的图像检索技术主要可以分为两个方向：1、基于样本对的方法，这类方法往往依赖于采样技术，需要将采样到的同类样本彼此拉近或者异类样本彼此推远。2、基于代理的方法，即为训练集中的每个类设置一个或多个代理，同类的样本和代理之间彼此靠近，异类的样本和代理之间彼此远离。
然而，图像检索往往是开集场景，即不断有新类别的样本需要被检索，即测试集和训练集不满足独立同分布。以前的方法往往仅关注于提升训练集中不同类别样本之间的分辨能力，这是不足够的，因为训练集上的辨能力并不总能泛化到测试集，甚至训练集上过强的分辨能力反而会导致测试集上更差的表现。如何提升模型在测试集的泛化能力是目前该领域最值得研究的课题之一。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于多代理度量学习的图像检索方法，能够通过保持同类样本分布多样性和促进异类样本之间特征共享提升模型泛化能力，从而提升模型在测试集上的性能表现。
为实现上述目的，本发明所提供的技术方案为：基于多代理度量学习的图像检索方法，包括以下步骤：
1)准备训练数据集和经过预训练的神经网络模型，为训练数据集中每个类别分配固定数量的代理并初始化其特征向量；
2)从步骤1)准备的训练数据集中采样小批量样本，将样本输入步骤1)准备的神经网络模型中得到样本的特征向量；
3)根据步骤2)的样本的特征向量和步骤1)的代理的特征向量构建样本与代理之间的关联关系图；
4)根据步骤3)的关联关系图，运用基于多代理度量学习的损失函数计算损失值，通过梯度反向传播算法更新模型的参数值和代理的参数值；
5)循环步骤2)-4)直到达到预设的训练停止条件，即完成训练，训练得到的最终神经网络模型即可用于图像检索；
对于测试阶段，准备查询图像和测试数据集，将查询图像和测试数据集输入步骤5)得到的最终神经网络模型，得到查询图像的特征向量和测试数据集中样本的特征向量，测试数据集中与查询图像的特征向量的余弦距离最近的Top-K个样本即为该查询图像的检索结果。
进一步，在步骤1)中，每个代理是一个可学习的张量，其维度与步骤1)中的神经网络模型输出特征向量维度相同，即神经网络最后一层为全连接层，且神经元数量与代理特征向量的长度相等，其值能通过梯度反向传播算法进行更新。
进一步，在步骤2)中，采样方式为随机采样，先将训练数据集中样本随机排序，再根据排序结果顺序采样，整个训练数据集都被采样后再重复上述排序和采样过程。
进一步，在步骤3)中，先根据样本与同类代理的特征向量之间的余弦距离构建样本与同类代理的关联关系图，再根据样本与同类代理的关联关系和样本与异类代理的特征向量之间的余弦距离构建样本与异类代理的关联关系图，具体包括：
3.1)用如下公式计算样本与代理的特征向量之间的余弦距离：
Figure BDA0003555992870000031
式中，x表示单个样本的特征向量，p表示单个代理的特征向量，s(x,p)表示样本与代理的特征向量之间的余弦距离；
3.2)根据步骤3.1)中所得样本与代理的特征向量之间的余弦距离，用以下公式计算样本与同类代理之间的关联概率：
Figure BDA0003555992870000032
式中，xi为第i个样本的特征向量，yi表示第i个样本xi所属的类别，
Figure BDA0003555992870000033
是与样本xi同类的第j个代理的特征向量，
Figure BDA0003555992870000034
表示样本xi与同类代理pj的关联概率，s(,)是样本与代理的特征向量之间的余弦距离，m是为每个类别分配的代理数量，k表示一个类别中代理的索引，
Figure BDA0003555992870000035
表示类别yi对应的第k个代理，T是温度因子，影响关联概率的置信程度；
3.3)根据步骤3.2)中所得样本与同类代理之间的关联概率，用如下公式确定样本与同类代理之间是否关联：
Figure BDA0003555992870000036
式中，R+表示样本与同类代理之间的关联关系图，
Figure BDA0003555992870000037
则表示样本xi与代理pj是否关联，1表示样本与代理关联，0表示不关联，γ为一个超参数，表示样本与同类代理关联所需的置信度；
3.4)根据步骤3.3)中得到的样本与同类代理之间的关联关系，用如下公式确定样本与异类代理之间的关联关系：
Figure BDA0003555992870000041
式中，R-表示样本与异类代理之间关联关系图，
Figure BDA0003555992870000042
则表示样本xi与异类代理pj之间是否关联，
Figure BDA0003555992870000043
为样本xi与同类代理pk之间的关联关系；
R+和R-共同表示了样本与代理之间的关联关系。
进一步，在步骤4)中，以单个代理为锚节点，将其与关联的同类样本彼此拉近，将其与关联的异类样本彼此推远，样本与代理之间的距离决定了拉近和推远的强度，同类样本和代理之间距离越远，则拉近强度越大，反之越小，异类样本和代理之间距离越近，则推远强度越大，反之越小，以此提升模型收敛速度和训练稳定性；
根据样本的特征向量和代理的特征向量之间的相似度以及样本和代理之间的关联关系，用如下公式计算损失函数：
Figure BDA0003555992870000044
式中，X表示样本特征向量集合，
Figure BDA0003555992870000047
表示损失函数值，P+表示与采样样本同类的代理集合，P表示与采样样本异类的代理集合，|P+|表示与采样样本同类的代理数量，|P|表示代理总数量，R+为样本与同类代理之间的关联关系图，R-为样本与异类代理之间的关联关系图，
Figure BDA0003555992870000045
表示X中与代理p同类的样本集合，
Figure BDA0003555992870000046
表示X中与代理p异类的样本集合，s(,)是样本与代理的特征向量之间的余弦距离，α是一个超参数，表示缩放系数，δ为另一个超参数，表示样本与代理之间应保持的距离。
进一步，在步骤5)中，训练数据集中样本完成一次遍历后对当前模型性能进行评估，在训练结束时选择具有最佳性能的模型作为最终模型。
进一步，在测试时，只需部署神经网络模型而无需部署代理。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明提升了深度度量学习模型的泛化能力，使其在图像检索任务上，相比于其它方法，有更高的检索成功率。
2、本发明避免了基于样本对度量学习对采样策略的依赖，极大降低了训练时间复杂度且提升了模型稳定性。
3、本发明为端到端方法，无需修改神经网络模型结构，测试时也不会带来任何额外部署成本，易于从其它方法迁移到本方法，也易于不同方法之间的比较。
4、本发明相比于其它方法，大幅提升神经网络模型收敛速度，用更低的训练成本得到更高的检索性能表现。
附图说明
图1为本发明方法的逻辑流程示意图。
图2为本发明对部分真实查询样本的检索结果。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1和图2所示，本实施例提供了一种基于多代理度量学习的图像检索方法，使用了多代理度量学习算法，其包括以下步骤：
1)模型训练
1.1)准备模型和训练/测试数据集
这里我们使用ResNet50，模型输出维度为512，即模型最后一层为全连接层，神经元数量为512。模型在ImageNet数据集上进行预训练。训练数据集和测试数据集我们选用Cars196，选择前98个类(共计8054张图片)作为训练集，选择后98个类(共计8131张图片)作为测试集。
1.2)为训练集中的每个类别分配固定数量的代理，并随机初始化代理。
代理表示为：
Figure BDA0003555992870000061
其中c为训练集中类别数量，我们使用Cars196数据集，所以这里为98。m为每个类别分配的代理数量，这里我们设置为12，
Figure BDA0003555992870000062
表示第i个类别的第j个代理。
每个代理都是可学习张量，其值能根据梯度反向传播算法进行更新。代理的维度与模型输出特征向量维度相同，即512维的特征向量。
1.3)从训练集中随机采样小批量样本输入神经网络得到样本的特征向量，计算样本特征向量与代理特征向量之间的余弦距离，计算公式如下：
Figure BDA0003555992870000063
其中x为单个样本的特征向量，p为单个代理的特征向量，s(x,p)表示样本与代理的特征向量之间的余弦距离。
1.4)计算样本与代理之间的关联概率，计算公式如下：
Figure BDA0003555992870000071
其中，xi为第i个样本的特征向量，yi表示第i个样本xi所属的类别，
Figure BDA0003555992870000072
是与样本xi同类的第j个代理的特征向量，
Figure BDA0003555992870000073
表示样本xi与同类代理pj的关联概率，k表示一个类别中代理的索引，
Figure BDA0003555992870000074
表示类别yi对应的第k个代理，s(,)是样本与代理的特征向量之间的余弦距离，m是为每个类别分配的代理数量，T是温度因子，影响关联概率的置信程度，这里我们设置T为30。
1.5)根据样本与同类代理之间的关联概率，用如下公式确定样本与同类代理之间是否关联：
Figure BDA0003555992870000075
其中，R+表示样本与同类代理之间的关联关系图，
Figure BDA0003555992870000076
则表示样本xi与代理pj是否关联，1表示样本与代理关联，0表示不关联，γ为一个超参数，表示样本与同类代理关联所需的置信度，这里我们设置γ为1/m，即0.0833，因为样本与同类代理的置信度大多分布在这个值周围，选择这个值对确定样本与代理之间是否关联有较好的敏感性。
1.6)根据样本与同类代理之间的关联关系，用如下公式确定样本与异类代理之间的关联关系：
Figure BDA0003555992870000077
其中，R-表示样本与异类代理之间关联关系图，
Figure BDA0003555992870000078
则表示样本xi与异类代理pj之间是否关联，
Figure BDA0003555992870000079
则表示样本xi与同类代理pk之间是否关联。这样做的目的是筛选出可能混淆的异类代理，非混淆代理不参与计算，以降低计算复杂度。
R+和R-共同表示了样本与代理之间的关联关系。
1.7)根据样本与代理之间的关联关系和相似度计算损失函数。
损失函数计算公式如下：
Figure BDA0003555992870000081
其中，P+表示与采样样本同类的代理集合，P表示与采样样本异类的代理集合，|P+|表示与采样样本同类的代理数量，|P|表示代理总数量，
Figure BDA0003555992870000082
表示与代理p同类的样本集合，
Figure BDA0003555992870000083
表示与代理p异类的样本集合，s(,)是样本与代理的特征向量之间的余弦距离，α是一个超参数，表示缩放系数，这里我们设置其值为32，δ为另一个超参数，表示样本与代理之间应保持的距离，这里我们设置其值为0.15；
1.8)根据损失函数，使用梯度反向传播算法更新模型和代理参数。再重复1.3)-1.7)步骤，直到达到训练迭代次数。每当训练集中样本遍历完成，计算训练集样本的回传率R@1作为模型性能评价指标，将训练过程中R@1值最大的模型保存，用于测试。
这里我们使用adamw梯度反向传播算法，设置模型的学习率为0.0001，代理的学习率为0.03，训练迭代次数为50次。
2)模型测试
准备查询图像和测试数据集，然后部署训练后的神经网络模型。将查询图像和测试数据集输入部署的神经网络模型，得到查询图像的特征向量和测试数据集中样本的特征向量。计算查询图像与测试数据集中图像的特征向量的余弦距离，选择测试数据集中与查询图像余弦距离最小的Top-K个样本作为该查询图像的检索结果。此外，可以通过计算全部查询图像的回传率Recall@K来评估模型在图像检索任务上的性能。Recall@K表示的含义为，对于一个查询图像，图像检索系统返回K个检索结果，如果这K个检索结果中至少有1个与查询图像属于同类，则表示检索成功，score记为1，否则记为0。查询集合中所有样本对应score的平均值即为模型在该查询数据集上的召回率。Recall@K的计算如下:
Figure BDA0003555992870000091
其中，K表示图像检索系统返回检索结果的数量，n表示查询数据集中样本的数量，i表示查询样本的索引。
我们基于以上设定得到的Recall@1为90.3％，比目前最好方法高4.1％。图2中边界为实线是正确检索样本，边界为虚线的是错误检索样本，数字表示查询样本与测试集中样本的余弦距离(数值越大表示越相似)。
上述实施例为本发明的一种实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.基于多代理度量学习的图像检索方法，其特征在于，包括以下步骤：
1)准备训练数据集和经过预训练的神经网络模型，为训练数据集中每个类别分配固定数量的代理并初始化其特征向量；
2)从步骤1)准备的训练数据集中采样小批量样本，将样本输入步骤1)准备的神经网络模型中得到样本的特征向量；
3)根据步骤2)的样本的特征向量和步骤1)的代理的特征向量构建样本与代理之间的关联关系图；
先根据样本与同类代理的特征向量之间的余弦距离构建样本与同类代理的关联关系图，再根据样本与同类代理的关联关系和样本与异类代理的特征向量之间的余弦距离构建样本与异类代理的关联关系图，具体包括：
3.1)用如下公式计算样本与代理的特征向量之间的余弦距离：
Figure FDA0003969942720000011
式中，x表示单个样本的特征向量，p表示单个代理的特征向量，s(x,p)表示样本与代理的特征向量之间的余弦距离；
3.2)根据步骤3.1)中所得样本与代理的特征向量之间的余弦距离，用以下公式计算样本与同类代理之间的关联概率：
Figure FDA0003969942720000012
式中，xi为第i个样本的特征向量，yi表示第i个样本xi所属的类别，
Figure FDA0003969942720000013
是与样本xi同类的第j个代理的特征向量，
Figure FDA0003969942720000014
表示样本xi与同类代理pj的关联概率，s(,)是样本与代理的特征向量之间的余弦距离，m是为每个类别分配的代理数量，k表示一个类别中代理的索引，
Figure FDA0003969942720000021
表示类别yi对应的第k个代理，T是温度因子，影响关联概率的置信程度；
3.3)根据步骤3.2)中所得样本与同类代理之间的关联概率，用如下公式确定样本与同类代理之间是否关联：
Figure FDA0003969942720000022
式中，R+表示样本与同类代理之间的关联关系图，
Figure FDA0003969942720000023
则表示样本xi与代理pj是否关联，1表示样本与代理关联，0表示不关联，γ为一个超参数，表示样本与同类代理关联所需的置信度；
3.4)根据步骤3.3)中得到的样本与同类代理之间的关联关系，用如下公式确定样本与异类代理之间的关联关系：
Figure FDA0003969942720000024
式中，R-表示样本与异类代理之间关联关系图，
Figure FDA0003969942720000025
则表示样本xi与异类代理pj之间是否关联，
Figure FDA0003969942720000026
为样本xi与同类代理pk之间的关联关系；
R+和R-共同表示了样本与代理之间的关联关系；
4)根据步骤3)的关联关系图，运用基于多代理度量学习的损失函数计算损失值，通过梯度反向传播算法更新模型的参数值和代理的参数值；
以单个代理为锚节点，将其与关联的同类样本彼此拉近，将其与关联的异类样本彼此推远，样本与代理之间的距离决定了拉近和推远的强度，同类样本和代理之间距离越远，则拉近强度越大，反之越小，异类样本和代理之间距离越近，则推远强度越大，反之越小，以此提升模型收敛速度和训练稳定性；
根据样本的特征向量和代理的特征向量之间的相似度以及样本和代理之间的关联关系，用如下公式计算损失函数：
Figure FDA0003969942720000031
式中，X表示样本特征向量集合，l(X)表示损失函数值，P+表示与采样样本同类的代理集合，P表示与采样样本异类的代理集合，|P+|表示与采样样本同类的代理数量，|P|表示代理总数量，R+为样本与同类代理之间的关联关系图，R-为样本与异类代理之间的关联关系图，
Figure FDA0003969942720000032
表示X中与代理p同类的样本集合，
Figure FDA0003969942720000033
表示X中与代理p异类的样本集合，s(,)是样本与代理的特征向量之间的余弦距离，α是一个超参数，表示缩放系数，δ为另一个超参数，表示样本与代理之间应保持的距离；
5)循环步骤2)-4)直到达到预设的训练停止条件，即完成训练，训练得到的最终神经网络模型即可用于图像检索；
对于测试阶段，准备查询图像和测试数据集，将查询图像和测试数据集输入步骤5)得到的最终神经网络模型，得到查询图像的特征向量和测试数据集中样本的特征向量，测试数据集中与查询图像的特征向量的余弦距离最近的Top-K个样本即为该查询图像的检索结果。
2.根据权利要求1所述的基于多代理度量学习的图像检索方法，其特征在于，在步骤1)中，每个代理是一个可学习的张量，其维度与步骤1)中的神经网络模型输出特征向量维度相同，即神经网络最后一层为全连接层，且神经元数量与代理特征向量的长度相等，其值能通过梯度反向传播算法进行更新。
3.根据权利要求1所述的基于多代理度量学习的图像检索方法，其特征在于，在步骤2)中，采样方式为随机采样，先将训练数据集中样本随机排序，再根据排序结果顺序采样，整个训练数据集都被采样后再重复上述排序和采样过程。
4.根据权利要求1所述的基于多代理度量学习的图像检索方法，其特征在于，在步骤5)中，训练数据集中样本完成一次遍历后对当前模型性能进行评估，在训练结束时选择具有最佳性能的模型作为最终模型。
5.根据权利要求1所述的基于多代理度量学习的图像检索方法，其特征在于，在测试时，只需部署神经网络模型而无需部署代理。
CN202210275989.1A 2022-03-21 2022-03-21 基于多代理度量学习的图像检索方法 Active CN114637881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210275989.1A CN114637881B (zh) 2022-03-21 2022-03-21 基于多代理度量学习的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210275989.1A CN114637881B (zh) 2022-03-21 2022-03-21 基于多代理度量学习的图像检索方法

Publications (2)

Publication Number Publication Date
CN114637881A CN114637881A (zh) 2022-06-17
CN114637881B true CN114637881B (zh) 2023-02-14

Family

ID=81950006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210275989.1A Active CN114637881B (zh) 2022-03-21 2022-03-21 基于多代理度量学习的图像检索方法

Country Status (1)

Country Link
CN (1) CN114637881B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972959B (zh) * 2022-07-28 2022-11-01 吉林大学 深度学习中样本生成和类内排序损失的遥感图像检索方法
CN116955671B (zh) * 2023-09-20 2023-12-01 吉林大学 细粒度图像检索方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801208A (zh) * 2021-02-25 2021-05-14 清华大学 基于结构化代理的深度度量学习方法和装置
CN113392250A (zh) * 2021-06-30 2021-09-14 合肥高维数据技术有限公司 一种基于深度学习的矢量图检索方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190065957A1 (en) * 2017-08-30 2019-02-28 Google Inc. Distance Metric Learning Using Proxies

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801208A (zh) * 2021-02-25 2021-05-14 清华大学 基于结构化代理的深度度量学习方法和装置
CN113392250A (zh) * 2021-06-30 2021-09-14 合肥高维数据技术有限公司 一种基于深度学习的矢量图检索方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A multi-agent platform for content-based image retrieval;Socrates Dimitriadis等;《Multimed Tools and Applications》;20070207;57-72 *
基于深度度量学习的零样本图像检索优化研究;李文翰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210815;I138-359 *

Also Published As

Publication number Publication date
CN114637881A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114637881B (zh) 基于多代理度量学习的图像检索方法
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN108764006B (zh) 一种基于深度强化学习的sar图像目标检测方法
CN106815782A (zh) 一种基于神经网络统计学模型的房地产估值方法及系统
CN111723780B (zh) 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统
CN111768028B (zh) 一种基于深度强化学习的gwlf模型参数调节方法
CN115511177A (zh) 基于ingo-swgmn混合模型的超短期风速预测方法
CN111445008A (zh) 一种基于知识蒸馏的神经网络搜索方法及系统
CN112766496B (zh) 基于强化学习的深度学习模型安全性保障压缩方法与装置
CN116070672A (zh) 一种基于改进鲸鱼优化算法的优化问题求解方法
CN113947133A (zh) 小样本图像识别的任务重要性感知元学习方法
CN114004336A (zh) 基于增强变分自编码器的三维射线重构方法
Huang et al. Ponas: Progressive one-shot neural architecture search for very efficient deployment
CN115169517A (zh) 一种改进的灰狼优化算法的方法
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
CN116229219B (zh) 基于联邦和对比表征学习的图像编码器训练方法和系统
CN117291295A (zh) 一种基于改进鲸鱼算法的JMIMHA-BiGRU船轨迹预测方法及系统
KR102110316B1 (ko) 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치
KR102120150B1 (ko) 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치
CN116628537A (zh) 多视图聚类方法、装置、存储介质及电子设备
CN115907775A (zh) 基于深度学习的个人征信评级方法及其应用
CN115035304A (zh) 一种基于课程学习的图像描述生成方法及系统
CN114780879A (zh) 一种用于知识超图的可解释性链接预测方法
CN113780526B (zh) 人脸识别网络训练的方法、电子设备及存储介质
CN117253209B (zh) 自动驾驶点云检测方法、装置、通信设备及存储介质

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