CN116383423A - 图像检索结果的重排方法、装置、计算机设备及介质 - Google Patents
图像检索结果的重排方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN116383423A CN116383423A CN202211729136.7A CN202211729136A CN116383423A CN 116383423 A CN116383423 A CN 116383423A CN 202211729136 A CN202211729136 A CN 202211729136A CN 116383423 A CN116383423 A CN 116383423A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- target
- target image
- sequence
- 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 48
- 230000008707 rearrangement Effects 0.000 title claims description 51
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及图像检索技术领域,尤其涉及一种图像检索结果的重排方法、装置、计算机设备及介质。该方法从数据库中检索待检索图像,得到第一检索序列,针对第一检索序列中任一目标图像,确定目标图像的参考图像,根据存储图像与目标图像的相似度确定关联序列,将参考图像在关联序列内的位置标识映射为权重,以参考图像和目标图像的相似度作为初始相似度,根据权重和初始相似度,计算得到更新相似度,根据更新相似度,将所有目标图像重新排列为第二检索序列,根据存储图像和目标图像之间的相似度确定关联序列,将参考图像在关联序列内的位置标识映射为权重,对目标图像的相似度进行更新,提供更丰富的位置信息,提高了图像检索的准确率。
Description
技术领域
本发明涉及图像检索技术领域,尤其涉及一种图像检索结果的重排方法、装置、计算机设备及介质。
背景技术
目前,随着人工智能技术的发展,图像检索任务已广泛应用于多种应用场景,图像检索通常针对图像内的目标、场景等信息进行检索,例如,目标可以是人脸、车辆等检索对象,图像检索的应用场景可以是智慧交通、智能安防,智慧社区,智慧校园等。现有的图像检索方法通常为按照待检索图像与检索数据库中所有存储图像的相似度进行排序,返回相似度最大的N个最相似的检索图像。
但是由于图像检索任务所涉及图像的采集方式、环境等均可能不同,仅通过存储图像和待检索图像之间的相似度直接确定检索结果,难以避免会出现误判,导致出现错误排序,而且,在图像检索结果中难以确定符合图像检索任务的检索结果和不符合图像检索任务的检索结果之间的划分位置,导致图像检索的准确率较低。因此,如何提高图像检索的准确率成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种图像检索结果的重排方法、装置、计算机设备及介质,以解决图像检索的准确率较低的问题。
第一方面,本发明实施例提供一种图像检索结果的重排方法,所述重排方法包括:
获取待检索图像,从预设的数据库中对所述待检索图像进行检索,得到第一检索序列,所述第一检索序列包括至少一个目标图像;
针对任一目标图像,确定所述目标图像在所述第一检索序列内的第一位置标识,根据所述第一位置标识,在所述第一检索序列中确定所述目标图像的至少一个参考图像;
计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,确定与所述目标图像最相似的前K个存储图像构成关联序列,K为大于零的整数;
获取每个参考图像在所述关联序列内的第二位置标识,采用预设的映射函数将所述第二位置标识映射为对应参考图像的权重;
以每个参考图像和所述目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到所述目标图像的更新相似度;
遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
第二方面,本发明实施例提供一种图像检索结果的重排装置,所述重排装置包括:
图像检索模块,用于获取待检索图像,从预设的数据库中对所述待检索图像进行检索,得到第一检索序列,所述第一检索序列包括至少一个目标图像;
标识确定模块,用于针对任一目标图像,确定所述目标图像在所述第一检索序列内的第一位置标识,根据所述第一位置标识,在所述第一检索序列中确定所述目标图像的至少一个参考图像;
序列关联模块,用于计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,确定与所述目标图像最相似的前K个存储图像构成关联序列,K为大于零的整数;
权重映射模块,用于获取每个参考图像在所述关联序列内的第二位置标识,采用预设的映射函数将所述第二位置标识映射为对应参考图像的权重;
加权计算模块,用于以每个参考图像和所述目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到所述目标图像的更新相似度;
图像重排模块,用于遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的图像检索结果的重排方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的图像检索结果的重排方法。
本发明实施例与现有技术相比存在的有益效果是:
获取待检索图像,从预设的数据库中对待检索图像进行检索,得到第一检索序列,第一检索序列包括至少一个目标图像,针对任一目标图像,确定目标图像在第一检索序列内的第一位置标识,根据第一位置标识,在第一检索序列中确定目标图像的至少一个参考图像,计算数据库内每个存储图像分别和目标图像之间的相似度,确定与目标图像最相似的前K个存储图像构成关联序列,获取每个参考图像在关联序列内的第二位置标识,采用预设的映射函数将第二位置标识映射为对应参考图像的权重,以每个参考图像和目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到目标图像的更新相似度,遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列,根据每个存储图像和目标图像之间的相似度构成关联序列,以参考图像在关联序列中的位置标识映射得到参考图像的权重,对参考图像和目标图像之间的相似度进行加权计算,更新每个目标图像的更新相似度,再根据更新相似度对目标图像进行重排,能够为图像检索的重排过程提供更丰富的位置信息,使得重排结果更加符合图像检索任务,从而提高了图像检索的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种图像检索结果的重排方法的一应用环境示意图;
图2是本发明实施例一提供的一种图像检索结果的重排方法的流程示意图;
图3是本发明实施例二提供的一种图像检索结果的重排装置的结构示意图;
图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种用于图像检索的互信息重排方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务端可以与至少一个图像采集设备通信,以从图像采集设备中获取到待检索的图像,图像采集设备包括但不限于摄像机、摄像头、录影机、手持摄像设备等,图像采集设备可以部署于多种应用场景下,例如智能安防场景、智慧社区场景、智慧校园场景、智慧交通场景等。服务端内部署有数据库,数据库可以用于存储已知图像,已知图像可以使用图像采集设备的历史采集图像,或者人员通过登记等方式留存的登记图像,图像检索任务的检索对象可以是图像内的目标、图像所属的场景、图像内的建筑等,其中,目标可以包括人脸、车辆等对象,在本实施例中,以人脸图像作为图像检索任务的检索对象示例,对于获取的一待检索人脸图像,在数据库中检索与该待检索人脸图像相似的存储图像,可以根据与该待检索人脸图像相似的存储图像对应的人员信息,确定待检索人脸图像对应的人员信息,人员信息可以包括人员身份标识、人员住址等信息,也可以根据检索结果,确定该待检索人脸图像对应的人员是否为异常人员。
举例说明,在智能安防场景下,例如小区门禁等,安防区域对应的服务端中的数据库内存储有安防区域内各安全人员的人脸图像,通常情况下,各安全人员的人脸图像是通过人员图像登记的方式获取的,以确保所存储的安全人员的人脸图像的可靠性,安防区域内部署的图像采集设备获取到安防区域内人员的实时人脸图像,将该实时人脸图像传输给服务端,在服务端的数据库中进行该实时人脸图像的检索,若实时人脸图像对应的人员为异常人员,则实时人脸图像与服务端的数据库中所有存储的安全人员的人脸图像均不相似,从而能够识别出实时人脸图像内的人员为非安全人员,以用于进行安防预警。
可以理解的是,在本申请的具体实施方式中,涉及到用户的人员身份标识、人员住址信息、人员的人脸图像等信息相关的隐私数据,当本申请中实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关隐私数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
参见图2,是本发明实施例一提供的一种图像检索结果的重排方法的流程示意图,上述图像检索结果的重排方法可以应用于图1中的客户端,客户端对应的计算机设备连接服务端,以获取待检索图像,服务端内部署有数据库,以用作图像检索任务,客户端对应的计算机设备获取到待检索图像后,根据用户发送的检索指令将待检索图像发送给服务端,从服务端部署的数据库内对待检索图像进行检索,并返回图像检索结果至客户端对应的计算机设备。如图2所示,该图像检索结果的重排方法可以包括以下步骤:
步骤S201,获取待检索图像,从预设的数据库中对待检索图像进行检索,得到第一检索序列。
其中,待检索图像可以是指需要进行图像检索任务的图像,预设的数据库部署于服务端中,预设的数据库内可以包括至少一个存储图像,第一检索序列可以是指待检索图像在数据库中进行图像检索任务后,所有检索到的存储图像组成的序列,第一检索序列包括至少一个目标图像,目标图像可以是指待检索图像在数据库中进行图像检索任务后,被检索到的存储图像。
具体地,所部署的图像采集设备采集到的图像可以是初始图像,服务端将初始图像存储于服务端的缓存中,在用户从客户端对应的计算机设备中进行检索操作时,服务端将缓存的初始图像发送给客户端对应的计算机设备。
客户端对应的计算机设备在接收到初始图像之后,通常情况下需要对初始图像进行预处理操作,预处理操作可以包括图像筛选操作、图像去噪操作、图像去模糊操作、图像裁剪操作等,例如,在图像检索任务的检索对象为图像内的人脸时,若图像采集设备是按照固定帧率进行初始图像采集的,此时需要进行图像筛选操作,也即将包含人脸信息的初始图像筛选出来,图像筛选操作可以通过训练好的分类模型实现,训练好的分类模型可以采用如Resnet、VGGNet等神经网络模型、支持向量机、逻辑回归模型、决策树等多种通用现有模型实现,需要说明的是,训练好的分类模型建议采用适应于应用场景的训练数据集进行训练,例如,图像检索任务的应用场景为智能安防场景,以智能安防场景中部署的图像采集设备所采集到的历史图像作为训练数据集,并对历史图像进行人工标注,为了提高分类模型在训练时的收敛速度,人工标注可以采用简单的二分类标注,第一个分类类别可以是包含人脸信息类别,第二个分类类别可以是不包含人脸信息类别。
在筛选出包含人脸信息的初始图像之后,除了采用图像去噪操作、图像去模糊操作等常规提升图像质量的预处理操作,还需要对包含人脸信息的初始图像进行图像裁剪操作,以提取出包含人脸信息的初始图像中人脸区域部分的图像信息,图像裁剪操作可以是指根据人脸区域的包围框信息,在初始图像中进行区域定位并裁剪,在裁剪得到人脸区域子图像之后,还需要进行图像放缩以确保尺寸统一,便于后续进行图像之间的相似度计算。人脸区域的包围框信息可以通过训练好的目标检测模型实现,训练好的目标检测模型可以采用R-CNN模型、SSD模型等通用检测模型,训练好的目标检测模型的检测对象即为人脸区域。
以预处理操作后的初始图像作为待检索图像,在用户在客户端对应的计算机设备中进行检索操作时,将待检索图像和检索指令发送给服务端,由服务端在预设的数据库中对待检索图像进行图像检索操作。
可选的是,从预设的数据库中对待检索图像进行检索,得到第一检索序列包括:
计算数据库内每个存储图像分别和待检索图像之间的相似度,得到对应存储图像的第一相似度;
将第一相似度最大的前N个存储图像确定为目标图像;
按照第一相似度的降序,将N个目标图像排列,得到第一检索序列。
其中,N为大于零的整数,相似度的计算方式可以采用欧式距离、余弦相似度等距离度量方式,第一相似度可以表征存储图像和待检索图像之间的差异信息。目标图像可以是指预设的数据库内所有存储图像中被检索到的与待检索图像较为相似的存储图像。
具体地,在本实施例中,采用余弦相似度的方式计算存储图像和待检索图像之间的相似度,得到的第一相似度的取值范围为[0,1],降序可以是指从大到小的顺序,按照第一相似度从大到小的顺序,将所有对应第一相似度的目标图像排列,得到第一检索序列,N为预设值,在本实施例中,N可以设置为10,实施者可以根据实际情况调整N的取值。
在计算存储图像和待检索图像之间的相似度时,存储图像和待检索图像均可以视作尺寸一致的二维矩阵,因此可以直接采用存储图像和待检索图像进行余弦相似度的计算。
在一实施方式中,还可以先对存储图像和待检索图像分别进行特征提取,以特征提取到的存储图像特征向量和待检索图像特征向量进行余弦相似度的计算,以特征向量的形式进行余弦相似度的计算,能够忽略到存储图像和待检索图像中的无关信息,特征向量能够更有效地表征人脸区域的特征信息,提高相似度计算结果的可靠性,同时,以特征向量的形式进行余弦相似度的计算,能够降低计算时的计算量,提高计算效率。
由于特征提取过程需要提取出存储图像和待检索图像中人脸区域的特征信息,因此,建议采用上述训练好的目标检测模型中的训练好的编码器用于特征提取操作。
本实施例中,通过余弦相似度进行相似度的计算,使得相似度计算结果处于归一化范围,更便于降序排序时对第一相似度进行互相比较,由目标图像组成的第一检索序列能够直观地展示出图像检索的结果,便于根据第一检索序列进行检索结果的分析。
上述获取待检索图像,从预设的数据库中对待检索图像进行检索,得到第一检索序列的步骤,初步进行图像检索,得到第一检索序列,为后续图像重排提供目标图像和待检索图像之间的差异信息,便于后续对第一检索序列进行重排,得到更可靠的重排结果。
步骤S202,针对任一目标图像,确定目标图像在第一检索序列内的第一位置标识,根据第一位置标识,在第一检索序列中确定目标图像的至少一个参考图像。
其中,第一位置标识可以用于表征目标图像在第一检索序列中的排序位置,排序位置可以表征出在所有目标图像中,任一目标图像与待检索图像之间的相对相似程度。
参考图像可以是指第一检索序列中用于为目标图像相似度更新提供参考信息的目标图像。
具体地,第一检索序列可以视作[1*N]尺寸的向量,也即一行N列的向量,向量中的每个元素均是一个目标图像,目标图像在第一检索序列内的第一位置标识可以根据目标图像对应的元素在第一检索序列内的列数确定,例如,第一检索序列中坐标为(1,n)的元素,该元素对应的目标图像在所有目标图像按照第一相似度进行从大到小排列后,为第n个与待检索图像最相似的存储图像。
每个目标图像均对应一个第一位置标识,根据任一目标图像的第一位置标识,可以确定得到对应该目标图像的位置标识范围,以所有属于对应该目标图像的位置标识范围内的第一位置标识所对应的目标图像,作为该目标图像的参考图像。
可选的是,根据第一位置标识,在第一检索序列中确定目标图像的至少一个参考图像包括:
获取每个目标图像在第一检索序列中的第一位置标识;
将所有在第一位置标识之前的第一位置标识确定为参考标识,得到至少一个参考标识;
以每个参考标识对应的目标图像作为参考图像,得到至少一个参考图像。
其中,参考标识可以是指属于对应该目标图像的位置标识范围内的第一位置标识。
具体地,根据目标图像对应的元素在第一检索序列内的列数作为目标图像的第一位置标识,根据所针对的目标图像的第一位置标识,结合预设的边界值,即可确定对应该针对的目标图像的位置标识范围,例如,所针对的目标图像的第一位置标识为n,在本实施例中,预设的边界值为1,则对应该针对的目标图像的位置标识范围可以表示为[1,n),根据位置标识范围[1,n),确定参考标识可以是[1,n)范围内的整数,也即将所有小于n的第一位置标识均确定为参考标识。
同样以人脸图像检索任务为例,根据先验知识,与待检索图像越相似的存储图像,其包含的人脸图像越可能与待检索图像包含的人脸图像属于同一人员,而对于第一位置标识为n的目标图像,所有小于n的第一位置标识所对应的目标图像均比其自身更可能与待检索图像包含的人脸图像属于同一人员,因此,可以将在第一位置标识n之前的所有第一位置标识所对应的目标图像也作为判断第一位置标识n所对应的目标图像是否待检索图像包含的人脸图像属于同一人员的参考。
本实施例中,以所有在所针对目标图像的第一位置标识之前的第一位置标识作为参考标识,以参考标识对应的目标图像作为所针对目标图像的参考图像,能够为判断所针对目标图像包含的人脸图像是否与待检索图像包含的人脸图像属于同一人员提供更充分的信息,并且能够一定程度上减弱图像噪声、遮挡等不可控情况对于判断过程的负面影响,使得后续以参考图像对目标图像的相似度进行更新后的结果更加可靠。
上述针对任一目标图像,确定目标图像在第一检索序列内的第一位置标识,根据第一位置标识,在第一检索序列中确定目标图像的至少一个参考图像的步骤,提供更充分的比对信息辅助判断目标图像和待检索图像之间的相似程度,减弱图像噪声、遮挡等外界因素对于判断过程的负面影响,避免了相似度计算时出现误判、错判等情况,从而避免了检索结果构成序列的混乱,提高了后续重排结果的有序性以及可靠性。
步骤S203,计算数据库内每个存储图像分别和目标图像之间的相似度,确定与目标图像最相似的前K个存储图像构成关联序列。
其中,关联序列可以是指目标图像在数据库中进行图像检索任务后,所有检索到的存储图像组成的序列,关联序列包括K个存储图像,K为大于零的整数。
具体地,计算数据库内每个存储图像分别和目标图像之间的相似度,相当于也对目标图像在数据库中进行图像检索任务,由于目标图像本身也是存储图像,因此在计算数据库内每个存储图像分别和目标图像之间的相似度时需要忽略目标图像本身。
可选的是,计算数据库内每个存储图像分别和目标图像之间的相似度,确定与目标图像最相似的前K个存储图像构成关联序列包括:
计算数据库内每个存储图像分别和目标图像之间的相似度,得到对应存储图像的第二相似度;
按照第二相似度的降序,将第二相似度最大的前K个存储图像排列,得到关联序列。
其中,相似度的计算方式仍可以采用欧式距离、余弦相似度等距离度量方式,第二相似度可以表征存储图像和目标图像之间的差异信息。
具体地,在本实施例中,仍采用余弦相似度的方式计算存储图像和目标图像之间的相似度,得到的第二相似度的取值范围也为[0,1],降序可以是指从大到小的顺序,按照第二相似度从大到小的顺序,将所有对应第二相似度的存储图像排列,得到第二检索序列,K为预设值,在本实施例中,K可以设置为256,实施者可以根据实际情况调整K的取值。
本实施例通过余弦相似度进行相似度的计算,使得相似度计算结果处于归一化范围,更便于降序排序时对第二相似度进行互相比较,由存储图像组成的第二检索序列能够直观地展示出每个存储图像和目标图像的相似程度,便于根据第二检索序列进行后续权重的映射。
上述计算数据库内每个存储图像分别和目标图像之间的相似度,确定与目标图像最相似的前K个存储图像构成关联序列的步骤,对目标图像进行图像检索,得到第二检索序列,为后续图像重排提供目标图像和存储图像之间的差异信息,便于后续根据目标图像和存储图像之间的差异信息,确定每个参考图像的权重值。
步骤S204,获取每个参考图像在关联序列内的第二位置标识,采用预设的映射函数将第二位置标识映射为对应参考图像的权重。
其中,第二位置标识可以用于表征存储图像在第二检索序列中的排序位置,排序位置可以表征出在所有存储图像中,任一存储图像与目标图像之间的相对相似程度,预设的映射函数可以包括第二位置标识和权重的映射关系,权重可以表征对应参考图像在后续相似度更新中的影响程度。
具体地,参考图像本质上属于存储图像,则第二位置标识可以用于表征参考图像在第二检索序列中的排序位置。第二检索序列可以视作[1*K]尺寸的向量,也即一行K列的向量,向量中的每个元素均是一个存储图像,参考图像在关联序列内的第二位置标识可以根据参考图像所属的存储图像对应的元素在关联序列内的列数确定,例如,关联序列中坐标为(1,k)的元素,该元素对应的存储图像在所有存储图像按照第二相似度进行从大到小排列后,为第k个与目标图像最相似的存储图像。
预设的映射函数中,第二位置标识和权重呈反比,一参考图像的第二位置标识越小,映射得到的权重越大,说明应参考图像在后续相似度更新中的影响程度越大。
可选的是,采用预设的映射函数将第二位置标识映射为对应参考图像的权重包括:
将预设的第一参数和第二位置标识相乘,得到相乘结果;
将相乘结果和预设的第二参数相加,对相加结果进行指数运算,得到指数运算结果;
将指数运算结果和预设的第三参数相加,以预设的第四参数和相加结果作比,得到对应参考图像的权重。
本实施例中,预设的映射函数可以表示为:
其中,xi可以表示第一位置标识为i的目标图像,xj可以表示第一位置标识为j的目标图像,w(xi,xj)可以表示第一位置标识为j的目标图像作为参考图像对第一位置标识为i的目标图像的权重,K可以表示第一位置标识为i的目标图像对应关联序列的长度,index可以表示第一位置标识为j的目标图像作为参考图像时,在第一位置标识为i的目标图像的关联序列中的第二位置标识,可以表示预设的第一参数,/>可以表示相乘结果,可以表示预设的第二参数,/>可以表示相乘结果和预设的第二参数的相加结果,/>可以表示指数运算结果,预设的第三参数可以为1,可以表示指数运算结果和预设的第三参数相加的相加结果,预设的第四参数也可以为1,/>可以是指预设的第四参数和相加结果作比的比值。
本实施例通过映射函数将第二位置标识映射为权重,计算便捷且迅速,能有效提高图像重排的效率。
上述获取每个参考图像在关联序列内的第二位置标识,采用预设的映射函数将第二位置标识映射为对应参考图像的权重的步骤,为后续相似度更新提供额外的位置信息,能够有效提高相似度更新后的可靠性。
步骤S205,以每个参考图像和目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到目标图像的更新相似度。
其中,初始相似度可以用于表征参考图像和目标图像之间的差异信息,更新相似度可以是指通过参考图像的初始相似度进行加权计算的计算结果。
可选的是,据每个参考图像的权重和初始相似度进行加权计算,得到目标图像的更新相似度包括:
针对任一参考图像,将参考图像的权重和初始相似度相乘,得到参考图像的参考相似度;
遍历所有参考图像,得到对应参考图像的参考相似度,计算所有参考图像的参考相似度的均值,以均值作为目标图像的更新相似度。
其中,参考相似度可以是指参考图像的权重和初始相似度的相乘结果。
具体地,相似度更新公式可以为:
其中,si可以表示第一位置标识为i的目标图像的更新相似度,cosine(xi,xj)可以表示第一位置标识为i的目标图像和第一位置标识为j的目标图像之间的初始相似度。
本实施例通过加权均值计算得到目标图像的更新相似度,计算方式简单且快捷,在保证图像重排精度的情况下,能够有效提高图像重排的效率。
上述以每个参考图像和目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到目标图像的更新相似度的步骤,为目标图像提供了额外的位置信息,辅助目标图像进行相似度更新,提高图像检索结果的重排准确率。
步骤S206,遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
其中,第二检索序列也可以是指待检索图像在数据库中进行图像检索任务后,所有检索到的存储图像组成的序列,但第二检索序列与第一检索序列的排列顺序不同。
可选的是,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列包括:
按照更新相似度的降序,对所有目标图像进行重新排列;
确定重新排列的结果为第二检索序列。
其中,按照更新相似度从大到小的顺序,将所有对应更新相似度的目标图像进行重新排列,得到第二检索序列,也即图像检索结果的重排结果。
本实施例中,由目标图像组成的第二检索序列能够直观地展示出图像检索的重排结果,重排结果更加有序。
上述遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列的步骤,通过更新相似度对所有目标图像重新排列,使得重排结果更加符合与待检索图像相近的顺序,减少了序列内排序混乱的情况,同时,增大了不同目标图像的更新相似度之间的差异,使得更容易划分出与待检索图像属于同一目标的目标图像和与待检索图像不属于同一目标的目标图像。
本实施例根据每个存储图像和目标图像之间的相似度构成关联序列,以参考图像在关联序列中的位置标识映射得到参考图像的权重,对参考图像和目标图像之间的相似度进行加权计算,更新每个目标图像的更新相似度,再根据更新相似度对目标图像进行重排,能够为图像检索的重排过程提供更丰富的位置信息,使得重排结果更加符合图像检索任务,从而有效提高了图像检索的准确率。
对应于上文实施例的图像检索结果的重排方法,图3示出了本发明实施例二提供的图像检索结果的重排装置的结构框图,上述图像检索结果的重排装置应用于客户端,客户端对应的计算机设备连接服务端,以获取待检索图像,服务端内部署有数据库,以用作图像检索任务,客户端对应的计算机设备获取到待检索图像后,根据用户发送的检索指令将待检索图像发送给服务端,从服务端部署的数据库内对待检索图像进行检索,并返回图像检索结果至客户端对应的计算机设备。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图3,该图像检索结果的重排装置包括:
图像检索模块31,用于获取待检索图像,从预设的数据库中对待检索图像进行检索,得到第一检索序列,第一检索序列包括至少一个目标图像;
标识确定模块32,用于针对任一目标图像,确定目标图像在第一检索序列内的第一位置标识,根据第一位置标识,在第一检索序列中确定目标图像的至少一个参考图像;
序列关联模块33,用于计算数据库内每个存储图像分别和目标图像之间的相似度,确定与目标图像最相似的前K个存储图像构成关联序列,K为大于零的整数;
权重映射模块34,用于获取每个参考图像在关联序列内的第二位置标识,采用预设的映射函数将第二位置标识映射为对应参考图像的权重;
加权计算模块35,用于以每个参考图像和目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到目标图像的更新相似度;
图像重排模块36,用于遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
可选的是,上述图像检索模块31包括:
第一相似度计算单元,用于计算数据库内每个存储图像分别和待检索图像之间的相似度,得到对应存储图像的第一相似度;
目标图像确定单元,用于将第一相似度最大的前N个存储图像确定为目标图像,N为大于零的整数;
第一图像排列单元,用于按照第一相似度的降序,将N个目标图像排列,得到第一检索序列。
可选的是,上述标识确定模块32包括:
位置标识获取单元,用于获取每个目标图像在第一检索序列中的第一位置标识;
参考标识确定单元,用于将所有在第一位置标识之前的第一位置标识确定为参考标识,得到至少一个参考标识;
参考图像确定单元,用于以每个参考标识对应的目标图像作为参考图像,得到至少一个参考图像。
可选的是,上述序列关联模块33包括:
第二相似度计算单元,用于计算数据库内每个存储图像分别和目标图像之间的相似度,得到对应存储图像的第二相似度;
第二图像排列单元,用于按照第二相似度的降序,将第二相似度最大的前K个存储图像排列,得到关联序列。
可选的是,上述权重映射模块34包括:
相乘计算单元,用于将预设的第一参数和第二位置标识相乘,得到相乘结果;
指数运算单元,用于将相乘结果和预设的第二参数相加,对相加结果进行指数运算,得到指数运算结果;
权重计算单元,用于将指数运算结果和预设的第三参数相加,以预设的第四参数和相加结果作比,得到对应参考图像的权重。
可选的是,上述加权计算模块35包括:
参考相似度计算单元,用于针对任一参考图像,将参考图像的权重和初始相似度相乘,得到参考图像的参考相似度;
均值计算单元,用于遍历所有参考图像,得到对应参考图像的参考相似度,计算所有参考图像的参考相似度的均值,以均值作为目标图像的更新相似度。
可选的是,上述图像重排模块36包括:
第三图像排列单元,用于按照更新相似度的降序,对所有目标图像进行重新排列;
重排序列确定单元,用于确定重新排列的结果为第二检索序列。
需要说明的是,上述模块、单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个图像检索结果的重排方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备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,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像检索结果的重排方法,其特征在于,所述重排方法包括:
获取待检索图像,从预设的数据库中对所述待检索图像进行检索,得到第一检索序列,所述第一检索序列包括至少一个目标图像;
针对任一目标图像,确定所述目标图像在所述第一检索序列内的第一位置标识,根据所述第一位置标识,在所述第一检索序列中确定所述目标图像的至少一个参考图像;
计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,确定与所述目标图像最相似的前K个存储图像构成关联序列,K为大于零的整数;
获取每个参考图像在所述关联序列内的第二位置标识,采用预设的映射函数将所述第二位置标识映射为对应参考图像的权重;
以每个参考图像和所述目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到所述目标图像的更新相似度;
遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
2.根据权利要求1所述的重排方法,其特征在于,所述从预设的数据库中对所述待检索图像进行检索,得到第一检索序列包括:
计算所述数据库内每个存储图像分别和所述待检索图像之间的相似度,得到对应存储图像的第一相似度;
将所述第一相似度最大的前N个存储图像确定为所述目标图像,N为大于零的整数;
按照第一相似度的降序,将N个所述目标图像排列,得到所述第一检索序列。
3.根据权利要求1所述的重排方法,其特征在于,所述根据所述第一位置标识,在所述第一检索序列中确定所述目标图像的至少一个参考图像包括:
获取每个目标图像在所述第一检索序列中的第一位置标识;
将所有在所述第一位置标识之前的第一位置标识确定为参考标识,得到至少一个参考标识;
以每个参考标识对应的目标图像作为所述参考图像,得到所述至少一个参考图像。
4.根据权利要求1所述的重排方法,其特征在于,所述计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,确定与所述目标图像最相似的前K个存储图像构成关联序列包括:
计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,得到对应存储图像的第二相似度;
按照第二相似度的降序,将所述第二相似度最大的前K个存储图像排列,得到所述关联序列。
5.根据权利要求1所述的重排方法,其特征在于,所述采用预设的映射函数将所述第二位置标识映射为对应参考图像的权重包括:
将预设的第一参数和所述第二位置标识相乘,得到相乘结果;
将所述相乘结果和预设的第二参数相加,对相加结果进行指数运算,得到指数运算结果;
将所述指数运算结果和预设的第三参数相加,以预设的第四参数和相加结果作比,得到所述对应参考图像的权重。
6.根据权利要求1所述的重排方法,其特征在于,所述根据每个参考图像的权重和初始相似度进行加权计算,得到所述目标图像的更新相似度包括:
针对任一参考图像,将所述参考图像的权重和初始相似度相乘,得到所述参考图像的参考相似度;
遍历所有参考图像,得到对应参考图像的参考相似度,计算所有参考图像的参考相似度的均值,以所述均值作为所述目标图像的更新相似度。
7.根据权利要求1至6任一项所述的重排方法,其特征在于,所述根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列包括:
按照更新相似度的降序,对所有目标图像进行重新排列;
确定重新排列的结果为所述第二检索序列。
8.一种图像检索结果的重排装置,其特征在于,所述重排装置包括:
图像检索模块,用于获取待检索图像,从预设的数据库中对所述待检索图像进行检索,得到第一检索序列,所述第一检索序列包括至少一个目标图像;
标识确定模块,用于针对任一目标图像,确定所述目标图像在所述第一检索序列内的第一位置标识,根据所述第一位置标识,在所述第一检索序列中确定所述目标图像的至少一个参考图像;
序列关联模块,用于计算所述数据库内每个存储图像分别和所述目标图像之间的相似度,确定与所述目标图像最相似的前K个存储图像构成关联序列,K为大于零的整数;
权重映射模块,用于获取每个参考图像在所述关联序列内的第二位置标识,采用预设的映射函数将所述第二位置标识映射为对应参考图像的权重;
加权计算模块,用于以每个参考图像和所述目标图像之间的相似度作为对应参考图像的初始相似度,根据每个参考图像的权重和初始相似度进行加权计算,得到所述目标图像的更新相似度;
图像重排模块,用于遍历每个目标图像,得到对应目标图像的更新相似度,根据所有目标图像的更新相似度,将所有目标图像重新排列,得到重排的第二检索序列。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的重排方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的重排方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729136.7A CN116383423A (zh) | 2022-12-30 | 2022-12-30 | 图像检索结果的重排方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729136.7A CN116383423A (zh) | 2022-12-30 | 2022-12-30 | 图像检索结果的重排方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383423A true CN116383423A (zh) | 2023-07-04 |
Family
ID=86960364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211729136.7A Pending CN116383423A (zh) | 2022-12-30 | 2022-12-30 | 图像检索结果的重排方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383423A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235297A (zh) * | 2023-11-15 | 2023-12-15 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
-
2022
- 2022-12-30 CN CN202211729136.7A patent/CN116383423A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235297A (zh) * | 2023-11-15 | 2023-12-15 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
CN117235297B (zh) * | 2023-11-15 | 2024-04-26 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10599709B2 (en) | Object recognition device, object recognition method, and program for recognizing an object in an image based on tag information | |
CN111581423B (zh) | 一种目标检索方法及装置 | |
CN111275060B (zh) | 识别模型更新处理方法、装置、电子设备及存储介质 | |
CN112052733A (zh) | 数据库构建方法、人脸识别方法、装置及电子设备 | |
CN109697240B (zh) | 一种基于特征的图像检索方法及装置 | |
CN113139416A (zh) | 目标关联方法、计算机设备和存储介质 | |
CN111373393B (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
CN116383423A (zh) | 图像检索结果的重排方法、装置、计算机设备及介质 | |
CN112084939A (zh) | 图像特征数据管理方法、装置、计算机设备及存储介质 | |
CN115063589A (zh) | 基于知识蒸馏的车辆部件分割方法及相关设备 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN111476059A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN116450581B (zh) | 一种白名单本地快速匹配方法、系统和电子设备 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
CN110287943B (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
CN112333182A (zh) | 档案处理方法、装置、服务器及存储介质 | |
CN116089641A (zh) | 基于自适应阈值的图像检索方法、装置、设备及介质 | |
CN116010634A (zh) | 用于图像检索的互信息重排方法、装置、设备及介质 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN114299037B (zh) | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 | |
CN109145884B (zh) | 查找目标人物的方法、装置、终端和计算机可读存储介质 | |
CN117809065A (zh) | 图像匹配关系分析方法、装置、计算机设备及存储介质 | |
CN116661504A (zh) | 机器人跟踪方法、控制终端、机器人及存储介质 | |
CN116226427A (zh) | 一种图像检索方法、装置、计算机设备及介质 | |
CN116977677A (zh) | 基于聚类的图像特征点匹配筛选方法、装置、设备及介质 |
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 |