JP2014146207A - コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 - Google Patents
コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 Download PDFInfo
- Publication number
- JP2014146207A JP2014146207A JP2013014891A JP2013014891A JP2014146207A JP 2014146207 A JP2014146207 A JP 2014146207A JP 2013014891 A JP2013014891 A JP 2013014891A JP 2013014891 A JP2013014891 A JP 2013014891A JP 2014146207 A JP2014146207 A JP 2014146207A
- Authority
- JP
- Japan
- Prior art keywords
- fisher
- content
- parameter
- vector
- feature vectors
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】訓練/リファレンス/クエリの各コンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合を抽出する特徴ベクトル抽出手段と、訓練コンテンツのバイナリ特徴ベクトルの集合から、多変量ベルヌーイ分布に関する混合比wiとパラメータμidとフィッシャー情報量fidとを算出するモデル推定手段と、リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合から、混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、1つのフィッシャーベクトルを算出する特徴ベクトル変換手段と、クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する特徴ベクトル検索手段とを有する。
【選択図】図2
Description
Up Robust Features)が用いられる。例えば、SIFTの場合、1枚の画像からは128次元の特徴ベクトルの集合が抽出される。SIFTとは、スケールスペースを用いて特徴的な局所領域を解析し、そのスケール変化及び回転に不変となる特徴ベクトルを記述する技術である。一方で、SURFの場合、SIFTよりも高速処理が可能であって、1枚の画像から64次元の特徴ベクトルの集合が抽出される。SIFTは、処理コストが高く且つリアルタイムマッチングが困難であるのに対し、SURFは、積分画像を利用することによって処理を高速化している。
訓練コンテンツ、リファレンスコンテンツ及びクエリコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出する特徴ベクトル抽出手段と、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出するモデル推定手段と、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積するモデルパラメータ蓄積手段と、
リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合から、モデルパラメータ蓄積手段に蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、リファレンスコンテンツ又はクエリコンテンツに対応する1つのフィッシャーベクトルを算出する特徴ベクトル変換手段と、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する特徴ベクトル検索手段と
してコンピュータを機能させることを特徴とする。
特徴ベクトル抽出手段は、ORB(Oriented FAST and Rotated BRIEF)又はFREAK(Fast Retina Keypoint)を用いてバイナリ特徴ベクトルの集合を抽出するようにコンピュータを機能させることも好ましい。
モデル推定手段は、訓練コンテンツのバイナリ特徴ベクトルの集合x1〜xTから、
E(Expectation)ステップについて、バイナリ特徴ベクトルxi毎に潜在変数iの期待値γt (i)を推定し、
M(Maximization)ステップについて、期待値γt (i)を用いて、混合比wi及びパラメータμiを更新し、
これらEステップ及びMステップを、収束するまで繰り返すことによって、混合比wi及びパラメータμiのパラメータ群λを算出する
λ(w1、・・・、wN及びμ11、・・・、μND)
ようにコンピュータを機能させることも好ましい。
モデル推定手段は、
パラメータμidの対数尤度関数を偏微分で定義したフィッシャースコアsidを算出し、
フィッシャースコアsidの分散としてフィッシャー情報量fidを算出する
ようにコンピュータを機能させることも好ましい。
特徴ベクトル変換手段は、バイナリ特徴ベクトルの集合毎に、パラメータμidを用いてフィッシャースコアsidを算出し、これらをid毎に累積した累積フィッシャースコアs'idを算出し、
各累積フィッシャースコアs'idを、対応するフィッシャー情報量fidの平方根√fidで除算したフィッシャーベクトルvidを算出する
ようにコンピュータを機能させることも好ましい。
モデル推定手段は、
パラメータμidの対数尤度関数を偏微分で定義したフィッシャースコアsidを算出し、
フィッシャースコアsidの混合要素i毎のベクトル(si1〜siD)に対して主成分分析を実行し、
主成分分析の結果、固有値の大きいものからK個を、フィッシャー情報量fidとして出力し、
固有値に対応するK個の固有ベクトルgiKを更に出力し、
モデルパラメータ蓄積手段は、固有ベクトルgiKを更に蓄積する
ようにコンピュータを機能させることも好ましい。
特徴ベクトル変換手段は、バイナリ特徴ベクトルの集合毎に、パラメータμidを用いてフィッシャースコアsidを算出し、これらをid毎に累積した累積フィッシャースコアs'idを算出し、
混合要素i毎に、各累積フィッシャースコアs'idのベクトル(s'i1〜siD)を、対応する固有ベクトルgik(gi1〜giK)を用いて正規化(射影)した正規化ベクトルv'ikを算出し、
正規化ベクトルv'ikを、対応する固有ベクトルgikの平方根√gikで除算したフィッシャーベクトルvikを算出する
ようにコンピュータを機能させることも好ましい。
訓練コンテンツ、リファレンスコンテンツ及びクエリコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出する特徴ベクトル抽出手段と、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出するモデル推定手段と、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積するモデルパラメータ蓄積手段と、
リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合から、モデルパラメータ蓄積手段の混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、リファレンスコンテンツ又はクエリコンテンツに対応する1つのフィッシャーベクトルを算出する特徴ベクトル変換手段と、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する特徴ベクトル検索手段と
を有することを特徴とする。
モデルパラメータを蓄積する第1のステップとして、
訓練コンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出し、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出し、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積し、
リファレンス情報を蓄積する第2のステップとして、
リファレンスコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合を抽出し、
リファレンスコンテンツそれぞれのバイナリ特徴ベクトルの集合から、モデルパラメータとして蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、1つのフィッシャーベクトルを算出し、
フィッシャーベクトルを蓄積し、
クエリコンテンツからリファレンスコンテンツを検索する第3のステップとして、
クエリコンテンツそれぞれのバイナリ特徴ベクトルの集合から、モデルパラメータとして蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、1つのフィッシャーベクトルを算出し、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する
を有することを特徴とする。
本発明における特徴ベクトル抽出部11は、訓練コンテンツ、リファレンスコンテンツ及びクエリコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合X={x1〜xT}を抽出する。例えばマルチメディアコンテンツが画像である場合、その特徴ベクトルは、画像の局所特徴領域から抽出された局所バイナリ特徴ベクトルである。訓練コンテンツから抽出されたバイナリ特徴ベクトルの集合は、モデル推定部12へ出力される。リファレンスコンテンツ及びクエリコンテンツから抽出されたバイナリ特徴ベクトルの集合はそれぞれ、特徴ベクトル変換部14へ出力される。
ORBは、「特徴点検出処理」と「特徴ベクトル記述処理」との2つのステップから構成される。
ORBにおける特徴点検出処理によれば、高速にキーポイントを検出するためにFAST(Features from Accelerated Segment Test)を用いる。また、FASTでは、スケール変化に対してロバストではないため、画像を複数のサイズに変換し、それぞれのサイズの画像から特徴点を抽出する。
次に、ORBにおける特徴ベクトル記述処理によれば、検出された特徴点毎に、BRIEF特徴ベクトル記述子によってバイナリ特徴ベクトルが抽出される。これらは、特徴点周辺の2箇所のピクセルの輝度の大小関係から求められる。
モデル推定部12は、訓練コンテンツのバイナリ特徴ベクトルの集合から、i番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd番目のパラメータμidとを算出する。これらは、モデルパラメータλとして算出される。
λ(w1、・・・、wN及びμ11、・・・、μND)
また、本発明におけるモデル推定部12は、パラメータμidに関するフィッシャー情報量fidも更に算出する。
f11、・・・、fND(N×D個):フィッシャー情報量
本発明によれば、バイナリ特徴ベクトルの集合を「多変量混合ベルヌーイ分布」でモデル化したモデルパラメータλを推定する。ベルヌーイ分布とは、確率pで1を、確率q=1-pで0をとる離散確率分布という。Xをベルヌーイ分布に従う確率変数とすれば、確率変数Xの平均はp、分散はpq=p(1-p)となる。「多変量混合ベルヌーイ分布」は、バイナリ特徴ベクトルxtが生成される確率p(xt|λ)を表現する。
xt,d:バイナリ特徴ベクトルxtのd番目のビット
D:バイナリ特徴ベクトルのビット長
pi(xt|λ):バイナリ特徴ベクトルxtがi番目の多変量ベルヌーイ分布から生成
された際に、d番目のビットが1となる確率
λ(w1、・・・、wN及びμ11、・・・、μND)
また、モデル推定部12は、多変量混合ベルヌーイ分布のパラメータμidに関する「フィッシャー情報量fid」を算出する。フィッシャーカーネル(Fisher kernel)は、生成的アプローチ(generative
approach)と判別的アプローチ(discriminative approach)とを結合させる枠組みである(例えば非特許文献8参照)。フィッシャーカーネルでは、最初に、局所記述子を生成する確率密度分布から導出される勾配ベクトルを計算し、この勾配ベクトルをフィッシャー情報行列で正規化したものを、画像を表現する1つの特徴ベクトルとする。フィッシャー情報行列を対角行列と仮定した場合、正規化は各パラメータに関する勾配を、フィッシャー情報量で正規化することと同値である。フィッシャーカーネルによれば、Bag of Featuresと比較して、同一サイズのコードブックであっても、要素数のより多い特徴ベクトルを得ることができる。即ち、特徴ベクトルの表現する情報が多いため、計算コストの高いカーネル法を利用して高次元空間へ射影する必要がなく、線形的な識別であっても十分な性能を引き出すことができる。
モデル推定部12は、
(S11)パラメータμidの対数尤度関数を偏微分で定義したフィッシャースコアsidを算出し、
(S12)フィッシャースコアsidの分散としてフィッシャー情報量fidを算出する。
数7は、xtの独立性と、
モデル推定部12は、
(S21)対数尤度関数のパラメータμidに関する偏微分で定義されるフィッシャースコアsidを算出し、
(S22)フィッシャースコアsidに対して主成分分析を実行し、
(S23)主成分分析の結果、固有値の大きいものからK個を、正規化パラメータfidとして出力し、
(S24)固有値に対応するK個の固有ベクトルgiKを更に出力する。
モデルパラメータ蓄積部13は、モデル推定部12から出力されたモデルパラメータとして、混合比wi(i=1〜N)パラメータμid(i=1〜N, d=1〜D)とフィッシャー情報量fid(i=1〜N, d=1〜D)とを蓄積する。また、第2の実施形態によれば、モデルパラメータ蓄積部13は、固有ベクトルgik(i=1〜N, k=1〜K個)も更に蓄積する。
特徴ベクトル変換部14は、リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合x1〜xTから、モデルパラメータ蓄積部13の混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、リファレンスコンテンツ又はクエリコンテンツに対応する1つのフィッシャーベクトルvを算出する。
特徴ベクトル変換部14は、
(S13)バイナリ特徴ベクトルの集合x1〜xT毎に、パラメータwi及びμidを用いてフィッシャースコアsid(s11〜sND)を算出し、これらをid毎に累積した累積フィッシャースコアs'id(s'11〜s'ND)算出し、
(S14)各累積フィッシャースコアs'idを、対応するフィッシャー情報量fidの平方根√fidで除算したフィッシャーベクトルvidを算出する。
vid=sid/√fid
f11、・・・、fND(N×D個):フィッシャー情報量
特徴ベクトル変換部14は、
(S25)バイナリ特徴ベクトルの集合毎に、パラメータwi及びμidを用いてフィッシャースコアsid(s11〜sND)を算出し、これらをid毎に累積した累積フィッシャースコアs'id(s'11〜s'ND)を算出し、
(S26)混合要素i毎に、各累積フィッシャースコアs'id(s'i1〜s’iD)、対応する固有ベクトルgiKを用いて正規化(射影)した正規化ベクトルv'idを算出し、
(S27)正規化ベクトルv'idを、対応する固有ベクトルgidの平方根√gidで除算したフィッシャーベクトルvidを算出する。
vid=v’id/√gid
特徴ベクトル検索部16は、従来技術の図1と同様に、リファレンス情報蓄積部15を用いて、クエリコンテンツのフィッシャーベクトルvQに最も類似する、リファレンスコンテンツのフィッシャーベクトルvRを検索する。ここでは、ユークリッド距離を用いることができ、vQ及びvRの間の距離が短いほど、クエリコンテンツに対してそのリファレンスコンテンツの類似度が高いことを意味する。具体的には、最近傍探索(Approximate Nearest Neighbor)アルゴリズムの1つである直積量子化を用いた方法(例えば非特許文献6参照)やLSH(Locality-Sensitive Hashing)を用いることも好ましい。
11 特徴ベクトル抽出部
12 モデル推定部
13 モデルパラメータ蓄積部
14 特徴ベクトル変換部
15 リファレンス情報蓄積部
16 特徴ベクトル検索部
Claims (9)
- 装置に搭載されたコンピュータを、訓練コンテンツから抽出されたモデルパラメータを用いて、リファレンスコンテンツの集合から、クエリコンテンツに類似したリファレンスコンテンツを検索するように機能させる検索プログラムであって、
訓練コンテンツ、リファレンスコンテンツ及びクエリコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出する特徴ベクトル抽出手段と、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出するモデル推定手段と、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積するモデルパラメータ蓄積手段と、
リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合から、前記モデルパラメータ蓄積手段に蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、リファレンスコンテンツ又はクエリコンテンツに対応する1つのフィッシャーベクトルを算出する特徴ベクトル変換手段と、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する特徴ベクトル検索手段と
してコンピュータを機能させることを特徴とする検索プログラム。 - 前記特徴ベクトル抽出手段は、ORB(Oriented FAST and Rotated BRIEF)又はFREAK(Fast Retina Keypoint)を用いてバイナリ特徴ベクトルの集合を抽出するようにコンピュータを機能させることを特徴とする請求項1に記載の検索プログラム。
- 前記モデル推定手段は、訓練コンテンツのバイナリ特徴ベクトルの集合x1〜xTから、
E(Expectation)ステップについて、バイナリ特徴ベクトルxi毎に潜在変数iの期待値γt (i)を推定し、
M(Maximization)ステップについて、前記期待値γt (i)を用いて、混合比wi及びパラメータμiを更新し、
これらEステップ及びMステップを、収束するまで繰り返すことによって、混合比wi及びパラメータμiのパラメータ群λを算出する
λ(w1、・・・、wN及びμ11、・・・、μND)
ようにコンピュータを機能させることを特徴とする請求項1又は2に記載の検索プログラム。 - 前記モデル推定手段は、
前記パラメータμidの対数尤度関数を偏微分で定義したフィッシャースコアsidを算出し、
前記フィッシャースコアsidの分散としてフィッシャー情報量fidを算出する
ようにコンピュータを機能させることを特徴とする請求項1から3のいずれか1項に記載の検索プログラム。 - 前記特徴ベクトル変換手段は、前記バイナリ特徴ベクトルの集合毎に、前記パラメータμidを用いてフィッシャースコアsidを算出し、これらをid毎に累積した累積フィッシャースコアs'idを算出し、
各累積フィッシャースコアs'idを、対応するフィッシャー情報量fidの平方根√fidで除算したフィッシャーベクトルvidを算出する
ようにコンピュータを機能させることを特徴とする請求項4に記載の検索プログラム。 - 前記モデル推定手段は、
前記パラメータμidの対数尤度関数を偏微分で定義したフィッシャースコアsidを算出し、
前記フィッシャースコアsidの混合要素i毎のベクトル(si1〜siD)に対して主成分分析を実行し、
前記主成分分析の結果、固有値の大きいものからK個を、前記フィッシャー情報量fidとして出力し、
前記固有値に対応するK個の固有ベクトルgiKを更に出力し、
前記モデルパラメータ蓄積手段は、前記固有ベクトルgiKを更に蓄積する
ようにコンピュータを機能させることを特徴とする請求項1から3のいずれか1項に記載の検索プログラム。 - 前記特徴ベクトル変換手段は、前記バイナリ特徴ベクトルの集合毎に、前記パラメータμidを用いてフィッシャースコアsidを算出し、これらをid毎に累積した累積フィッシャースコアs'idを算出し、
混合要素i毎に、各累積フィッシャースコアs'idのベクトル(s'i1〜siD)を、対応する固有ベクトルgik(gi1〜giK)を用いて正規化(射影)した正規化ベクトルv'ikを算出し、
正規化ベクトルv'ikを、対応する固有ベクトルgikの平方根√gikで除算したフィッシャーベクトルvikを算出する
ようにコンピュータを機能させることを特徴とする請求項6に記載の検索プログラム。 - 訓練コンテンツから抽出されたモデルパラメータを用いて、リファレンスコンテンツの集合から、クエリコンテンツに類似したリファレンスコンテンツを検索する検索装置であって、
訓練コンテンツ、リファレンスコンテンツ及びクエリコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出する特徴ベクトル抽出手段と、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出するモデル推定手段と、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積するモデルパラメータ蓄積手段と、
リファレンスコンテンツ又はクエリコンテンツのバイナリ特徴ベクトルの集合から、前記モデルパラメータ蓄積手段の混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、リファレンスコンテンツ又はクエリコンテンツに対応する1つのフィッシャーベクトルを算出する特徴ベクトル変換手段と、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する特徴ベクトル検索手段と
を有することを特徴とする検索装置。 - 装置を用いて、訓練コンテンツから抽出されたモデルパラメータを用いて、リファレンスコンテンツの集合から、クエリコンテンツに類似したリファレンスコンテンツを検索する検索方法であって、
モデルパラメータを蓄積する第1のステップとして、
訓練コンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合x1〜xTを抽出し、
訓練コンテンツのバイナリ特徴ベクトルの集合から、i(1≦i≦N)番目の多変量ベルヌーイ分布に関する混合比wiと、i番目の多変量ベルヌーイ分布のd(1≦d≦D)番目のパラメータμidと、パラメータμidに関するフィッシャー情報量fidとを算出し、
混合比wiとパラメータμidとフィッシャー情報量fidとを蓄積し、
リファレンス情報を蓄積する第2のステップとして、
リファレンスコンテンツそれぞれについて、D次元のバイナリ特徴ベクトルの集合を抽出し、
リファレンスコンテンツそれぞれのバイナリ特徴ベクトルの集合から、モデルパラメータとして蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、1つのフィッシャーベクトルを算出し、
前記フィッシャーベクトルを蓄積し、
クエリコンテンツからリファレンスコンテンツを検索する第3のステップとして、
クエリコンテンツそれぞれのバイナリ特徴ベクトルの集合から、モデルパラメータとして蓄積された混合比wiとパラメータμidとフィッシャー情報量fidとを用いて、1つのフィッシャーベクトルを算出し、
クエリコンテンツのフィッシャーベクトルに最も類似する、リファレンスコンテンツのフィッシャーベクトルを検索する
を有することを特徴とする検索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013014891A JP5959446B2 (ja) | 2013-01-30 | 2013-01-30 | コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013014891A JP5959446B2 (ja) | 2013-01-30 | 2013-01-30 | コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014146207A true JP2014146207A (ja) | 2014-08-14 |
JP5959446B2 JP5959446B2 (ja) | 2016-08-02 |
Family
ID=51426411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013014891A Active JP5959446B2 (ja) | 2013-01-30 | 2013-01-30 | コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5959446B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018524660A (ja) * | 2015-09-24 | 2018-08-30 | グーグル エルエルシー | 高速直交射影 |
US10394777B2 (en) | 2015-09-24 | 2019-08-27 | Google Llc | Fast orthogonal projection |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268465A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种面向混合数据模型的文本搜索技术 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1196176A (ja) * | 1997-09-22 | 1999-04-09 | Minolta Co Ltd | キーワード付与方法およびキーワード自動付与装置 |
US20070179949A1 (en) * | 2006-01-30 | 2007-08-02 | Gordon Sun | Learning retrieval functions incorporating query differentiation for information retrieval |
JP2013012076A (ja) * | 2011-06-29 | 2013-01-17 | Kddi Corp | 高次元の特徴ベクトルを高精度で検索する検索装置及びプログラム |
-
2013
- 2013-01-30 JP JP2013014891A patent/JP5959446B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1196176A (ja) * | 1997-09-22 | 1999-04-09 | Minolta Co Ltd | キーワード付与方法およびキーワード自動付与装置 |
US20070179949A1 (en) * | 2006-01-30 | 2007-08-02 | Gordon Sun | Learning retrieval functions incorporating query differentiation for information retrieval |
JP2013012076A (ja) * | 2011-06-29 | 2013-01-17 | Kddi Corp | 高次元の特徴ベクトルを高精度で検索する検索装置及びプログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018524660A (ja) * | 2015-09-24 | 2018-08-30 | グーグル エルエルシー | 高速直交射影 |
US10394777B2 (en) | 2015-09-24 | 2019-08-27 | Google Llc | Fast orthogonal projection |
Also Published As
Publication number | Publication date |
---|---|
JP5959446B2 (ja) | 2016-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Content based image retrieval using image features information fusion | |
Ranjan et al. | Multi-label cross-modal retrieval | |
JP6041439B2 (ja) | 画像に基づくバイナリ特徴ベクトルを用いた画像検索装置、システム、プログラム及び方法 | |
Mehmood et al. | A novel image retrieval based on a combination of local and global histograms of visual words | |
JP2014232533A (ja) | Ocr出力検証システム及び方法 | |
Tabia et al. | Compact vectors of locally aggregated tensors for 3D shape retrieval | |
Kan et al. | Learning prototype hyperplanes for face verification in the wild | |
Dharani et al. | Content based image retrieval system using feature classification with modified KNN algorithm | |
JP6042778B2 (ja) | 画像に基づくバイナリ局所特徴ベクトルを用いた検索装置、システム、プログラム及び方法 | |
JP5959446B2 (ja) | コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法 | |
Sun et al. | Search by detection: Object-level feature for image retrieval | |
Dammak et al. | Histogram of dense subgraphs for image representation | |
JP6017277B2 (ja) | 特徴ベクトルの集合で表されるコンテンツ間の類似度を算出するプログラム、装置及び方法 | |
JP5833499B2 (ja) | 高次元の特徴ベクトル集合で表現されるコンテンツを高精度で検索する検索装置及びプログラム | |
JP6601965B2 (ja) | 探索木を用いて量子化するプログラム、装置及び方法 | |
Gao et al. | Data-driven lightweight interest point selection for large-scale visual search | |
Szűcs et al. | Content-based image retrieval for multiple objects search | |
Cui et al. | Dimensionality reduction for histogram features: A distance-adaptive approach | |
Tian et al. | Improved bag-of-words model for person re-identification | |
ur Rehman et al. | Multi-feature fusion based re-ranking for person re-identification | |
Hema et al. | Patch-SIFT: Enhanced feature descriptor to learn human facial emotions using an Ensemble approach | |
Wang et al. | Unsupervised image retrieval with mask-based prominent feature accumulation | |
Scheirer et al. | How reliable are your visual attributes? | |
Tianjiao et al. | Calligraphy word style recognition by KNN based feature library filtering | |
Uchida et al. | Binary feature-based image retrieval with effective indexing and scoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150804 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160617 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160624 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5959446 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |