CN117421443A - 一种针对跨域图片的检索方法及装置 - Google Patents
一种针对跨域图片的检索方法及装置 Download PDFInfo
- Publication number
- CN117421443A CN117421443A CN202311746140.9A CN202311746140A CN117421443A CN 117421443 A CN117421443 A CN 117421443A CN 202311746140 A CN202311746140 A CN 202311746140A CN 117421443 A CN117421443 A CN 117421443A
- Authority
- CN
- China
- Prior art keywords
- cross
- domain
- target
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000001629 suppression Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 77
- 238000004590 computer program Methods 0.000 claims description 17
- 230000005764 inhibitory process Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Abstract
本申请提供了一种针对跨域图片的检索方法及装置。该方法包括:确定目标图片的目标特征;将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。本申请实现了将跨域数据集中的图片进行关联检索,提高跨域图片检索的精度和效率,提升了检索算法的准确度和鲁棒性。
Description
技术领域
本申请涉及图片检索技术领域,尤其涉及一种针对跨域图片的检索方法及装置。
背景技术
跨域图片检索是一种基于图像特征迁移和映射的图像检索技术,它可以跨越不同的图像域来检索图像,即从不同的图像域中检索出与查询图像相关或相似的图像。图像域可以是指同一类别的图像集合,也可以是指不同的图像集合。
由于图像域中的图片通常具有模糊、大姿态、遮挡等特点,而查询图片和图像域在分辨率、清晰度等方面有较大差异,现有技术直接通过逐对计算查询图片和图像域中的图片的相似度来判断查询图片和哪些检索数据相匹配,忽略了图像域内数据的关联性,可能导致无法找到所有匹配数据。
发明内容
有鉴于此,本申请实施例提供了一种针对跨域图片的检索方法及装置,以解决现有技术中忽略检索空间内数据的关联性,以导致的无法找到所有匹配数据的问题。
本申请实施例的第一方面,提供了一种针对跨域图片的检索方法,包括:
确定目标图片的目标特征;
将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;
利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。
本申请实施例的第二方面,提供了一种针对跨域图片的检索装置,包括:
目标特征确定模块,确定目标图片的目标特征;
匹配关联簇确定模块,将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;
抑制筛查模块,利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。
本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:通过确定目标图片的目标特征;将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。本申请实施例实现了将跨域数据集中的图片进行关联检索,提高跨域图片检索的精度和效率,提升了检索算法的准确度和鲁棒性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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它的附图。
图1是本申请实施例的应用场景的场景示意图;
图2是本申请实施例提供的一种针对跨域图片的检索方法的流程示意图;
图3是本申请实施例提供的一种针对跨域图片的检索装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
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,以便透彻理解本申请实施例。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申请。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申请的描述。
下面将结合附图详细说明根据本申请实施例的一种针对跨域图片的检索方法和装置。
图1是本申请实施例的一种应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104、网络105。
终端设备101、102和103可以是硬件,也可以是软件。当终端设备101、102和103为硬件时,其可以是具有显示屏且支持与服务器104通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当终端设备101、102和103为软件时,其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本申请实施例对此不作限制。进一步地,终端设备101、102和103上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器104可以是提供各种服务的服务器,例如,对与其建立通信连接的终端设备发送的请求进行接收的后台服务器,该后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。服务器104可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本申请实施例对此不作限制。
需要说明的是,服务器104可以是硬件,也可以是软件。当服务器104为硬件时,其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时,其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块,也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块,本申请实施例对此不作限制。
网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络,也可以是无需布线就能实现各种通信设备互联的无线网络,例如,蓝牙(Bluetooth)、近场通信(Near FieldCommunication,NFC)、红外(Infrared)等,本申请实施例对此不作限制。
用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接,以接收或发送信息等。具体地,服务器104将跨域数据集中的跨域图片组织成互相关联的跨域关联簇;提取输入的目标图片的目标特征,并确定与目标特征向量相似度最高的跨域关联簇;利用抑制筛查法从向量相似度最高的跨域关联簇中确定与目标图片相匹配的检索图片。
需要说明的是,终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整,本申请实施例对此不作限制。
图2是本申请实施例提供的一种针对跨域图片的检索方法的流程示意图。如图2所示,该针对跨域图片的检索方法包括:
S201,确定目标图片的目标特征;
S202,将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;
S203,利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。
本申请中方法的目的,是为了解决针对跨域图片检索中忽略各跨域图片之间的关联性,所导致的无法找到所有匹配数据的问题。前述已知,跨域图片是指来自不同摄像头或不同来源的图片。这些图片可能拍摄于不同的环境、场景或时间,并且由于来自不同摄像头或设备,它们的视角、光照条件、分辨率、清晰度等特征可能存在较大差异,这增加了跨域图片检索的难度。
为了有效进行跨域图片检索,预先根据跨域图片建立跨域数据集是非常重要的步骤。具体可以是,对每个跨域图片进行特征提取,得到一个向量形式的图片特征,这一特征称为参考特征。然后将跨域图片及其对应的参考特征,建立集合即跨域数据集。
现有的图片检索技术,采用逐对计算待检索图片与跨域数据集中的每一个跨域图片之间相似度的方式来判断匹配程度,这种方法忽略了跨域图片之间的关联性。例如,在跨域人员检索任务中,由于图片具有模糊、遮挡等特点,人脸之间可能存在大幅度的变化,直接逐对计算相似度难以有效捕捉图片之间的关联性,从而导致无法找到所有匹配数据。
本申请为了解决现有图片检索技术中忽略跨域图片之间关联性的问题,提出了一种新的跨域图片检索方法。将跨域数据集中的跨域图片进行分组形成跨域关联簇,从而解决了现有图片检索技术中忽略跨域图片之间关联性的问题。
跨域关联簇是指在跨域数据集中,根据跨域图片的相似性和关联性将跨域图片聚集在一起形成的簇。每个跨域关联簇包含一组相似的跨域图片,它们的图片特征彼此相似,可能代表同一个人物、相同的场景或具有类似特征的图片。
跨域关联簇的构建可以通过将各跨域图片的参考特征进行聚类来实现。利用聚类算法(如构建拓扑图、层次聚类、谱聚类等)对参考特征进行聚类计算。聚类算法根据参考特征之间的相似度将它们分组成若干个跨域关联簇。在聚类的过程中,确保任意两个跨域关联簇的交集为空,而全部跨域关联簇的并集为全部参考特征。
跨域关联簇的建立有助于在跨域图片检索任务中更好地组织数据,将相似的跨域图片聚集在一起,提高检索的效率和准确性。通过跨域关联簇的形成,可以有效捕捉跨域数据集中跨域图片之间的关联性,从而在跨域图片检索中更准确地找到与待检索图片相匹配的图片。
具体地,目标图片是指待检索的图片。例如,目标图片中包括一个特定人物的人脸,需要根据目标图片从跨域数据集中找到存在相同的人物的检索图片。目标特征是指通过特征提取算法从目标图片中提取出来的高维特征向量表示,然后,为了保证特征向量的一致性和准确性,需要对目标特征进行归一化处理。
归一化是将特征向量的各个维度都映射到一个统一的范围,使得所有特征向量在各个维度上的取值都处于相同的尺度。这样做的目的是消除不同维度尺度不一致可能带来的影响,确保特征向量之间的相似度计算更加准确和可靠。例如,对于人脸检索任务,可以通过以下公式对目标图片进行目标特征提取的归一化处理:
其中,为目标图片/>经过归一化处理后的目标特征,/>为目标图片/>经过人脸检测算法,进行特征提取得到的原始特征向量,/>为原始特征向量/>经过人脸识别模型处理得到的人脸特征向量,/>为处理后的人脸特征向量/>的模,也就是人脸特征向量的长度。
归一化后的目标特征具有单位长度,这样做的目的是消除特征向量的尺度影响,使得所有特征向量在各个维度上的取值都处于相同的尺度范围。这样,不同特征向量之间的相似度计算更加准确和稳定,避免由于特征向量尺度不一致而引起的问题。
相似度计算是在跨域图片检索中用于衡量两个参考特征之间相似性或相关性的方法。通过对比目标特征与跨域关联簇中的参考特征之间的相似程度,可以得到目标特征与参考特征之间的相似度分数。通过这个相似度分数,可以判断目标图片与跨域关联簇之间的相似性,相似度分数越大表示目标图片与跨域关联簇之间越相似,数值越小表示目标图片与跨域关联簇之间越不相似。
从所有跨域关联簇中选择与目标特征相似度最高的一个跨域关联簇作为匹配关联簇。匹配关联簇中的参考特征与目标特征具有较高的相似度,表明匹配关联簇可能包含与目标图片相匹配的检索图片。通过相似度计算可以充分利用跨域数据集中的关联性信息,提高检索的准确性,并解决直接逐对计算目标图片与跨域图片相似度时可能导致无法找到所有匹配数据的问题。
抑制筛查是在信息检索和相似度匹配等任务中的一种过滤和筛选方法,用于剔除或排除不符合特定条件或标准的数据或结果,从而得到更精确、更相关的输出结果。抑制筛查的目标是从匹配关联簇中确定与目标图片相匹配的检索图片,即与目标图片在特征上相似的图片。相比直接输出匹配关联簇,增加抑制筛查可以避免匹配关联簇中依然存在不相似图片的情况。双重筛选机制使得输出图片与目标图片间的相似度更高,从而提升了检索精度。
为了进行筛查,需要设定一个阈值。阈值是一个可调节的参数,用于控制哪些图片应该被保留作为检索结果,哪些图片应该被排除。通过设定一个合适的阈值,可以控制检索结果的精度和召回率。将相似度得分高于阈值的图片保留为检索结果,而将相似度得分低于阈值的图片抑制排除。这样,就得到了与目标图片在图片特征上相似的跨域图片,这些图片即为与目标图片相匹配的检索图片。
其中,如果阈值设置得太高,可能会导致漏掉一些真正与目标图片相似的图片,降低召回率;如果阈值设置得太低,可能会包含一些与目标图片不太相似的图片,降低准确性。因此,选择合适的相似度阈值是需要经验和实验来得到的。
通过目标特征对匹配关联簇中跨域图片的参考特征进行抑制筛查,可以得到更精确的检索结果,提高跨域图片检索方法的准确性和效率。这个过程确保了最终检索到的图片与目标图片在特征上有较高的相似性,从而满足了跨域图片检索的要求。
根据本申请实施例提供的技术方案,通过确定目标图片的目标特征;将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。本申请实施例实现了将跨域数据集中的图片进行关联检索,提高跨域图片检索的精度和效率,提升了检索算法的准确度和鲁棒性。
在一些实施例中,还包括:根据跨域数据集中的参考特征建立拓扑图;利用预设的社区算法对拓扑图进行聚类计算,以根据各参考特征建立至少一个跨域关联簇;其中,任意两个跨域关联簇中的交集为零;全部跨域关联簇的并集为全部参考特征。
具体地,在跨域图片检索中,由于跨域数据集中的图片来源多样,图片之间可能存在很大的差异,包括视角、光照条件、背景等方面的变化。直接通过逐对计算目标特征和参考特征之间的相似度来进行检索往往难以捕捉图片之间的关联性,导致无法找到所有匹配数据。
而根据跨域数据集构建拓扑图可以帮助捕捉更多的关联性信息,特别是在跨域图片之间存在模糊、大姿态、遮挡等特点的情况下。通过拓扑图的聚类过程,可以更全面地发现相似的参考特征,从而提高了跨域图片检索的准确性。通过构建拓扑图,可以将复杂的逐对计算目标特征和参考特征之间向量相似度的过程转化为拓扑图上的聚类过程。拓扑图中的聚类算法可以更高效地对相似的特征向量进行聚合,降低了计算的复杂度和时间开销。
进一步地,通过预设的社区算法来实现聚类,拓扑图中的聚类是指将跨域数据集中相似的参考特征聚合在一起形成社区。社区聚类的过程中,社区算法会根据拓扑图中节点之间的相似度分数来不断优化社区的划分,直到达到一定的收敛条件为止。聚类的结果是将跨域数据集中相似的参考特征聚合在一起,形成若干个社区,每个社区代表一个跨域关联簇。
每个跨域关联簇包含了相似的参考特征,为了更好地组织数据和利用相似性信息,通常会将一个参考特征分配给一个关联簇。这样的做法有助于简化数据结构并提高检索效率,也就是说,任意两个跨域关联簇之间的交集应为零,即它们之间没有共同的参考特征。
通过拓扑图的聚类结果,所有参考特征都被分配到一个跨域关联簇中,而且每个参考特征只属于一个跨域关联簇。因此,所有跨域关联簇的并集包含了跨域数据集中的全部参考特征。
通过利用预设的社区算法对拓扑图进行聚类,成功建立了跨域数据集中参考特征之间的关联簇结构。跨域关联簇结构将有助于在跨域图片检索任务中更准确地衡量图片之间的相似性,从而提高检索结果的精度和效率。
在一些实施例中,根据跨域数据集中的参考特征建立拓扑图包括:将参考特征确定为拓扑节点;确定任意两个参考特征之间的向量相似度;当任意两个参考特征之间的向量相似度不小于预设的关联阈值时,在两个参考特征之间建立拓扑边;根据拓扑节点和拓扑边,确定拓扑图。
具体地,在跨域图片检索中,跨域数据集包含了来自不同领域或来源的图片及其对应的参考特征。这些图片可能来自不同的场景、风格或对象类别,具有很大的差异,包括视角、光照条件、背景等方面的变化。通过根据跨域数据集中的参考特征建立拓扑图是为了更好地组织跨域数据集中的参考特征之间的关联性和相似性。
进一步地,从跨域数据集中选取所有的参考特征,并将它们作为拓扑图的节点。拓扑图将跨域数据集中的参考特征作为图的节点,可以更好地组织这些特征。通过拓扑图的结构,可以清晰地表示参考特征之间的关系,使得相关的参考特征在拓扑图中靠近彼此。
接下来,计算每对参考特征之间的向量相似度,向量相似度的计算衡量了两个参考特征之间的相似程度。向量相似度的计算可以使用不同的相似度计算方法,例如余弦相似度、欧氏距离等。
在计算了各参考特征之间的向量相似度后,根据预设的关联阈值,确定哪些参考特征之间的相似度不小于该阈值。当任意两个参考特征之间的相似度不小于预设的关联阈值时,为这两个参考特征之间建立拓扑边。拓扑边的建立表示了参考特征之间的关联性,即相似度高于阈值的参考特征之间存在一种连接。
例如,假设关联阈值为0.5,可以通过如下方法判断参考特征和参考特征/>之间是否存在拓扑边:
其中,表示判断参考特征/>和参考特征/>之间是否存在拓扑边的输出结果,表示参考特征/>和参考特征/>之间的向量相似度。当/>大于等于关联阈值0.5时,/>的值取1,表示参考特征/>和参考特征/>之间存在拓扑边;当/>小于关联阈值0.5时,/>的值取0,表示参考特征/>和参考特征/>之间不存在拓扑边。
通过拓扑图中的拓扑边,可以表示参考特征之间的相似度或相关性。边的存在表示了相似的参考特征之间存在一种连接,从而确定了图片之间的关联性,这有助于更准确地找到与目标图片相关的检索图片。
通过将所有的参考特征作为拓扑节点,以及根据满足关联阈值的参考特征之间建立的拓扑边,确定拓扑图的结构。根据跨域数据集建立拓扑图可以更好地组织跨域数据集中的参考特征,确定图片之间的关联性和相似性。拓扑图的构建为后续的跨域图片检索提供了重要的基础,通过利用拓扑图的结构和节点之间的关联,可以实现更准确和高效的图片检索。
在一些实施例中,确定任意两个参考特征之间的向量相似度包括:利用预设的相似度算法计算参考特征之间的向量相似度,相似度算法为:
其中,为参考特征/>和参考特征/>的向量相似度,/>为跨域图片/>的参考特征,/>为跨域图片/>的参考特征,/>为参考特征与参考特征/>的向量内积,/>为参考特征/>的向量长度,为参考特征/>的向量长度,/>为参考特征/>的向量长度与参考特征/>的向量长度的乘积。
具体地,在跨域图片检索中,通过预设的相似度算法来计算参考特征之间的向量相似度可以用于衡量不同跨域图片之间的相似性。通过计算向量相似度,可以得到一个0到1之间的相似度分数,相似度分数越接近1表示参考特征之间越相似,相似度分数越接近0表示参考特征之间越不相似。在跨域图片检索中,通常设定一个关联阈值,当向量相似度高于关联阈值时,认为两个参考特征相似,从而将它们连接在拓扑图中,形成一个关联簇,用于后续的跨域图片检索任务。
进一步地, 向量相似度计算使用参考特征之间的内积来衡量它们之间的相似性。内积是一种衡量两个向量在方向上的相似程度的指标。如果两个参考特征指向的方向相似,它们的内积会较大;如果方向相互垂直或相反,内积会较小甚至为负值。同时,相似度计算还考虑了参考特征的长度,即参考特征的模或范数。这是为了对不同向量长度的特征进行归一化,使得计算结果不受向量长度的影响。
通过这种相似度计算方法,可以衡量跨域数据集中每对参考特征之间的向量相似程度,从而帮助构建拓扑图以及进行后续的跨域图片检索。相似度计算有助于更好地确定图片之间的相似性,提高跨域图片检索的效果。
在一些实施例中,将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇包括:将各跨域关联簇内与目标特征的向量相似度最高的参考特征确定为关键特征;将关键特征与目标特征的向量相似度,确定为目标相似度;将目标相似度最高的跨域关联簇确定为匹配关联簇。
具体地,将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算,以从各跨域关联簇中确定匹配关联簇的目的是为了找到与目标图片最相似的跨域关联簇,从而在跨域图片检索中能够快速准确地找到与目标图片相关的检索图片。这个过程是为了解决跨域图片检索中忽略关联性的问题,以提高检索的准确性和效率。
进一步地,针对每个跨域关联簇内的参考特征,可以使用实施例4提到的相似度算法计算该参考特征与目标特征的相似度。在每个跨域关联簇内,选择与目标特征相似度最高的参考特征作为关键特征。这意味着关键特征与目标特征之间的向量相似度最高,可以被认为是本跨域关联簇内与目标图片最相关的参考特征。
将关键特征与目标特征的向量相似度确定为目标相似度,是为了衡量目标特征与各跨域关联簇之间的相似性,以便在跨域图片检索任务中找到与目标图片最相似的跨域关联簇。目标相似度是通过目标特征与关键特征之间的向量相似度来衡量的。向量相似度值越大,表示目标特征与关键特征越之间相似程度越高;向量相似度值越小,则表示它们之间相似程度越低。
通过比较不同跨域关联簇中的目标相似度值,可以找到与目标图片最相似的跨域关联簇,从而将其作为匹配关联簇,用于后续的跨域图片检索任务。这样的方法能够有效地找到与目标图片相关的检索图片,提高跨域图片检索的准确性和效率。
通过在跨域数据集中快速地找到与目标图片最相似的跨域关联簇,并将其确定为匹配关联簇,从而提高跨域图片检索的效率和准确性。匹配关联簇是根据目标相似度来确定的,能够有效地捕捉到目标图片与跨域数据集中的跨域图片之间的相似性,为跨域图片检索提供有力的支持。有助于更精确地找到匹配数据,提高跨域图片检索的效果。
在一些实施例中,还包括:确定预设的检索阈值;当匹配关联簇的目标相似度小于检索阈值时,确定跨域数据集不包括与目标特征相匹配的参考特征。
具体地,确定预设的检索阈值是为了在跨域图片检索中筛选出与目标特征相似度较高的匹配关联簇,以提高检索结果的准确性。检索阈值是一个预先设定的相似度阈值,用于判断匹配关联簇是否与目标图片足够相似,是否可以作为有效的检索结果。
通过设定预设的检索阈值,可以灵活地控制检索结果的精度和召回率。较高的检索阈值会筛选出与目标图片非常相似的匹配关联簇作为检索结果,确保检索结果的准确性,但可能会导致漏掉一些相似度稍低但仍然相关的数据。较低的检索阈值则会允许向量相似度更低的匹配关联簇被认为是匹配结果,因此可能也会引入一些与目标图片不太相关的数据。
进一步地,在确定匹配关联簇后,将目标相似度与预设的检索阈值进行比较。如果匹配关联簇的目标相似度大于或等于检索阈值,说明该匹配关联簇与目标图片足够相似,可以被认为是有效的检索结果。
根据目标相似度与检索阈值的比较结果,决定是否将匹配关联簇作为最终的检索结果。如果目标相似度大于或等于检索阈值,则将该匹配关联簇作为有效的检索结果返回;如果目标相似度小于检索阈值,则认为跨域数据集中不包含与目标特征足够相似的参考特征,即无法找到与目标图片相关的匹配关联簇。这意味着跨域数据集中可能没有与目标图片类似的跨域图片或者跨域图片与目标图片的相似度较低,无法满足设定的检索阈值要求。
通过调整预设的检索阈值,可以平衡检索结果的准确性和召回率,使跨域图片检索系统能够更好地满足实际应用需求。从而提高跨域图片检索的效率和准确性,为用户提供更优质的检索体验。
在一些实施例中,利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片包括:确定预设的抑制阈值;确定目标特征和参考特征的向量相似度;当目标特征和参考特征的向量相似度不小于抑制阈值时,确定参考特征为匹配特征;确定匹配特征对应的检索图片。
具体地,利用目标特征对匹配关联簇中的参考特征进行抑制筛查的目的在于提高跨域图片检索的准确性和效率,以确保只返回与目标图片足够相似的检索图片。这种筛查过程可以帮助过滤掉与目标图片相似度较低的跨域图片,从而提高检索结果的可靠性和质量。
进一步地,在跨域图片检索系统中,设定一个抑制阈值,该抑制阈值用于判断目标特征与匹配关联簇中的参考特征之间的向量相似度是否足够高。通过设定适当的抑制阈值,可以控制筛查的严格程度,确保只保留与目标特征足够相似的参考特征。利用预设的相似度算法计算目标特征与匹配关联簇中的每个参考特征之间的向量相似度,可以量化目标图片与匹配关联簇中每个图片之间的相似程度。
当目标特征和匹配关联簇中的参考特征的向量相似度不小于抑制阈值时,将该参考特征确定为匹配特征,即满足匹配条件。根据确定的匹配特征,找到这些特征对应的跨域图片,作为最终的检索图片。这些检索图片与目标图片具有较高的相似度,是满足跨域图片检索需求的有效结果。
例如,假设抑制阈值为0.3,可以通过如下方法确定匹配关联簇中的第/>个参考特征/>是否通过抑制筛查:
其中,表示参考特征/>的抑制筛查结果,/>表示目标特征/>与参考特征/>之间的向量相似度。当向量相似度/>不小于抑制阈值0.3时,/>的值取1,表示该参考特征/>通过了抑制筛查,可以视为匹配特征;当向量相似度/>小于抑制阈值0.3时,/>的值取0,表示该参考特征/>没通过了抑制筛查,不作为匹配特征。
通过利用目标特征对匹配关联簇中的参考特征进行抑制筛查,可以优化跨域图片检索算法,提高检索结果的准确性和可靠性。抑制筛查过程排除了与目标图片相似度不足的数据,只保留了与目标图片相似度较高的数据,从而得到更精准和有价值的跨域图片检索结果。这样的方法能够为用户提供更好的图片检索体验。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图3是本申请实施例提供的一种针对跨域图片的检索装置的示意图。如图3所示,该针对跨域图片的检索装置包括:
目标特征确定模块301,确定目标图片的目标特征;
匹配关联簇确定模块302,将目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各跨域关联簇中确定匹配关联簇;跨域关联簇中包括跨域图片的参考特征;
抑制筛查模块303,利用目标特征对匹配关联簇中的参考特征进行抑制筛查,以从跨域图片中确定与目标图片相匹配的检索图片。
在一些实施例中,图3中的匹配关联簇确定模块302将各跨域关联簇内与目标特征的向量相似度最高的参考特征确定为关键特征;将关键特征与目标特征的向量相似度,确定为目标相似度;将目标相似度最高的跨域关联簇确定为匹配关联簇。
在一些实施例中,图3中的匹配关联簇确定模块302确定预设的检索阈值;当匹配关联簇的目标相似度小于检索阈值时,确定跨域数据集不包括与目标特征相匹配的参考特征。
在一些实施例中,图3中的抑制筛查模块303确定预设的抑制阈值;确定目标特征和参考特征的向量相似度;当目标特征和参考特征的向量相似度不小于抑制阈值时,确定参考特征为匹配特征;确定匹配特征对应的检索图片。
应理解,上述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,而不应对本申请实施例的实施过程构成任何限定。
图4是本申请实施例提供的电子设备4的示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4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。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。
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。
集成的模块/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存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以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、U盘、移动硬盘、磁碟、光盘、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等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种针对跨域图片的检索方法,其特征在于,包括:
确定目标图片的目标特征;
将所述目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各所述跨域关联簇中确定匹配关联簇;所述跨域关联簇中包括跨域图片的参考特征;
利用所述目标特征对所述匹配关联簇中的参考特征进行抑制筛查,以从所述跨域图片中确定与所述目标图片相匹配的检索图片。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述跨域数据集中的所述参考特征建立拓扑图;
利用预设的社区算法对所述拓扑图进行聚类计算,以根据各所述参考特征建立至少一个跨域关联簇;
其中,任意两个所述跨域关联簇中的交集为零;全部所述跨域关联簇的并集为全部所述参考特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述跨域数据集中的所述参考特征建立拓扑图包括:
将所述参考特征确定为拓扑节点;
确定任意两个所述参考特征之间的向量相似度;
当任意两个参考特征之间的向量相似度不小于预设的关联阈值时,在所述两个参考特征之间建立拓扑边;
根据所述拓扑节点和所述拓扑边,确定所述拓扑图。
4.根据权利要求3所述的方法,其特征在于,所述确定任意两个所述参考特征之间的向量相似度包括:
利用预设的相似度算法计算所述参考特征之间的向量相似度,所述相似度算法为:
;
其中,为参考特征/>和参考特征/>的向量相似度,/>为跨域图片/>的参考特征,/>为跨域图片/>的参考特征,/>为参考特征/>与参考特征/>的向量内积,/>为参考特征/>的向量长度,/>为参考特征/>的向量长度,/>为参考特征/>的向量长度与参考特征/>的向量长度的乘积。
5.根据权利要求4所述的方法,其特征在于,所述将所述目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各所述跨域关联簇中确定匹配关联簇包括:
将各所述跨域关联簇内与所述目标特征的向量相似度最高的参考特征确定为关键特征;
将所述关键特征与所述目标特征的向量相似度,确定为目标相似度;
将目标相似度最高的跨域关联簇确定为匹配关联簇。
6.根据权利要求5所述的方法,其特征在于,还包括:
确定预设的检索阈值;
当所述匹配关联簇的所述目标相似度小于所述检索阈值时,确定所述跨域数据集不包括与所述目标特征相匹配的所述参考特征。
7.根据权利要求1所述的方法,其特征在于,所述利用所述目标特征对所述匹配关联簇中的参考特征进行抑制筛查,以从所述跨域图片中确定与所述目标图片相匹配的检索图片包括:
确定预设的抑制阈值;
确定所述目标特征和所述参考特征的向量相似度;
当所述目标特征和所述参考特征的向量相似度不小于所述抑制阈值时,确定所述参考特征为匹配特征;
确定所述匹配特征对应的所述检索图片。
8.一种针对跨域图片的检索装置,其特征在于,包括:
目标特征确定模块,确定目标图片的目标特征;
匹配关联簇确定模块,将所述目标特征和预设的跨域数据集中的至少一个跨域关联簇进行相似度计算;以从各所述跨域关联簇中确定匹配关联簇;所述跨域关联簇中包括跨域图片的参考特征;
抑制筛查模块,利用所述目标特征对所述匹配关联簇中的参考特征进行抑制筛查,以从所述跨域图片中确定与所述目标图片相匹配的检索图片。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,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中任一项所述方法的步骤。
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中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746140.9A CN117421443A (zh) | 2023-12-19 | 2023-12-19 | 一种针对跨域图片的检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746140.9A CN117421443A (zh) | 2023-12-19 | 2023-12-19 | 一种针对跨域图片的检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117421443A true CN117421443A (zh) | 2024-01-19 |
Family
ID=89527029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746140.9A Pending CN117421443A (zh) | 2023-12-19 | 2023-12-19 | 一种针对跨域图片的检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421443A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297935A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 图像检索方法、装置、介质及电子设备 |
US20210248181A1 (en) * | 2020-02-11 | 2021-08-12 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
CN114139013A (zh) * | 2021-11-29 | 2022-03-04 | 深圳集智数字科技有限公司 | 图像搜索方法、装置、电子设备及计算机可读存储介质 |
CN114676279A (zh) * | 2022-05-25 | 2022-06-28 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN114741544A (zh) * | 2022-04-29 | 2022-07-12 | 北京百度网讯科技有限公司 | 图像检索方法、检索库构建方法、装置、电子设备及介质 |
CN115410199A (zh) * | 2022-09-02 | 2022-11-29 | 中国银行股份有限公司 | 图像内容检索方法、装置、设备及存储介质 |
CN116935083A (zh) * | 2023-09-12 | 2023-10-24 | 深圳须弥云图空间科技有限公司 | 一种图像聚类方法和装置 |
-
2023
- 2023-12-19 CN CN202311746140.9A patent/CN117421443A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297935A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 图像检索方法、装置、介质及电子设备 |
US20210248181A1 (en) * | 2020-02-11 | 2021-08-12 | Samsung Electronics Co., Ltd. | Electronic device and control method thereof |
CN114139013A (zh) * | 2021-11-29 | 2022-03-04 | 深圳集智数字科技有限公司 | 图像搜索方法、装置、电子设备及计算机可读存储介质 |
CN114741544A (zh) * | 2022-04-29 | 2022-07-12 | 北京百度网讯科技有限公司 | 图像检索方法、检索库构建方法、装置、电子设备及介质 |
CN114676279A (zh) * | 2022-05-25 | 2022-06-28 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN115410199A (zh) * | 2022-09-02 | 2022-11-29 | 中国银行股份有限公司 | 图像内容检索方法、装置、设备及存储介质 |
CN116935083A (zh) * | 2023-09-12 | 2023-10-24 | 深圳须弥云图空间科技有限公司 | 一种图像聚类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727053B2 (en) | Entity recognition from an image | |
US10853362B2 (en) | Optimized full-spectrum loglog-based cardinality estimation | |
CN111651636A (zh) | 视频相似片段搜索方法及装置 | |
CN115115856A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN115115855A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
WO2023273017A1 (zh) | 测井图像清晰度的识别方法、装置、介质及电子设备 | |
CN116935083B (zh) | 一种图像聚类方法和装置 | |
CN111177719A (zh) | 地址类别判定方法、装置、计算机可读存储介质及设备 | |
US11361195B2 (en) | Incremental update of a neighbor graph via an orthogonal transform based indexing | |
CN114153959A (zh) | 键值匹配方法、装置、可读介质及电子设备 | |
US11068481B2 (en) | Optimized full-spectrum order statistics-based cardinality estimation | |
CN117421443A (zh) | 一种针对跨域图片的检索方法及装置 | |
CN111666449B (zh) | 视频检索方法、装置、电子设备和计算机可读介质 | |
US11880405B2 (en) | Method for searching similar images in an image database using global values of a similarity measure for discarding partitions of the image database | |
CN115391581A (zh) | 索引创建、图像存储、图像检索方法、装置及电子设备 | |
CN111401197B (zh) | 一种图片风险识别方法、装置及设备 | |
CN111428767B (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN117333926B (zh) | 一种图片聚合方法、装置、电子设备及可读存储介质 | |
CN116935446B (zh) | 行人重识别方法、装置、电子设备及存储介质 | |
CN111382233A (zh) | 一种相似文本检测方法、装置、电子设备及存储介质 | |
CN116304253B (zh) | 数据存储方法、数据检索方法和识别相似视频的方法 | |
CN111611417B (zh) | 图像去重方法、装置、终端设备及存储介质 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN115984783B (zh) | 人群计数方法及装置 | |
CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 |
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 |