JP6427480B2 - 画像検索装置、方法、及びプログラム - Google Patents

画像検索装置、方法、及びプログラム Download PDF

Info

Publication number
JP6427480B2
JP6427480B2 JP2015238006A JP2015238006A JP6427480B2 JP 6427480 B2 JP6427480 B2 JP 6427480B2 JP 2015238006 A JP2015238006 A JP 2015238006A JP 2015238006 A JP2015238006 A JP 2015238006A JP 6427480 B2 JP6427480 B2 JP 6427480B2
Authority
JP
Japan
Prior art keywords
feature
image
features
learning
weight
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
JP2015238006A
Other languages
English (en)
Other versions
JP2017102869A (ja
Inventor
森　稔
稔 森
小萌 武
小萌 武
柏野　邦夫
邦夫 柏野
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2015238006A priority Critical patent/JP6427480B2/ja
Publication of JP2017102869A publication Critical patent/JP2017102869A/ja
Application granted granted Critical
Publication of JP6427480B2 publication Critical patent/JP6427480B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、抽出された特徴の重要度を算出するための重要度算出装置、方法、及びプログラムに関するものである。
従来、IDF（Inverse Document Frequency）と呼ばれる重み算出方法がよく用いられる。IDFは事前に取得された対象（画像や文書など）から特徴を抽出し、各特徴が含まれる対象の数（画像であれば事前に取得された画像郡の中で着目特徴を含む画像数、文書であれば着目単語を含む文書数）を算出する。k番目の特徴のIDFであるidf(vk)は、全体の数量Nを算出した数dkで除算しlogをとった下記（１）式で求まる値として算出される。ここで、dkは、対象となるｋ番目の特徴を含んでいる対象の数である。
idf(vk)の値により、より少ない対象にしか含まれない特徴（dkが小さい特徴）にはより大きな重みが、より多くの対象に含まれる特徴には小さい重みが与えられることになる。idf(vk)の値を類似値の算出に反映させることにより、少ない出現頻度の特徴同士が比較対象間に存在していれば、類似値がより大きくなり類似していると判定されやすく、逆に多くの画像から抽出されやすく、出現頻度が高い特徴同士に対しては小さい重みが与えられるため、類似値への影響は小さくなる。そのため、何も重みを与えない場合と比較し、より精度の高い類似性の比較が可能となる。
Sivic, J., Zisserman, A.: Video google: A text retrieval approach to object matching in videos. In: International Conference on Computer Vision. pp. 1470-1477 (2003)
しかし、対象となる画像から非常に多くの特徴を抽出したり、一つの文章が非常に多くの特徴となる単語を含んでいたりする場合、各特徴が含まれる画像や文章の数が増加することでIDFの値は0に近づき、また特徴間の差が小さくなることで、精度の高い類似性の判定が出来なくなるという問題がある。
また、IDFは同じ対象から着目特徴が一つだけ抽出されても、複数抽出されても、当該対象に着目特徴が含まれるという情報は同じであり、dkは変わらないため、IDFの値も変わらず、幾つ抽出されても影響がない。しかし、一つだけ抽出されたか、複数抽出されたかの違いは、対象間の類似性に関係がある為、IDFのこのような性質は好ましくないという問題もある。
また、IDFが0に近くなって重要度が小さくなった特徴が非常に多く抽出された場合、類似値が多数積算されることにより、より類似していると誤検出される可能性が増加したり、類似値の計算処理回数が増えて、処理時間や必要メモリ量が増大したりするという問題がある。
本発明では、上記問題点を解決するために成されたものであり、抽出される特徴数が多くても、適切な重みを算出することができる重要度算出装置、方法、及びプログラムを提供することを目的とする。
上記目的を達成するために、第１の発明に係る重要度算出方法は、特徴抽出部と特徴重要度算出部とを含む、重要度算出装置における、重要度算出方法であって、前記特徴抽出部は、複数の学習用データから特徴の各々を抽出し、前記特徴重要度算出部は、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦ（Inverse Total Feature Frequency）を前記特徴の重みとして算出する。
第２の発明に係る重要度算出装置は、複数の学習用データから特徴の各々を抽出する特徴抽出部と、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦ（Inverse Total Feature Frequency）を前記特徴の重みとして算出する特徴重要度算出部と、を含んで構成される。
第１及び第２の発明によれば、特徴抽出部により、複数の学習用データから特徴の各々を抽出し、特徴重要度算出部により、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦ（Inverse Total Feature Frequency）を特徴の重みとして算出する。
このように、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。
また、第１及び第２の発明において、前記特徴重要度算出部により特徴の重みを算出することは、前記ＩＴＦＦの値が予め定められた閾値未満である場合には、前記特徴の重みを０とし、前記ＩＴＦＦの値が前記閾値以上である場合には、前記特徴の重みを前記ＩＴＦＦの値としてもよい。
また、第１及び第２の発明において、前記特徴抽出部により特徴を抽出することは、更にクエリデータから特徴の各々を抽出し、前記学習用データ毎の特徴の各々と、前記クエリデータの特徴の各々と、前記特徴毎の重みとに基づいて、前記複数の学習用データから、前記クエリデータに類似する学習用データを検索する検索部を更に含んでもよい。
また、本発明のプログラムは、コンピュータを、上記の重要度算出装置を構成する各部として機能させるためのプログラムである。
以上説明したように、本発明の重要度算出装置、方法、及びプログラムによれば、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。
また、閾値処理により重要ではない特徴の重みを０とすることにより、誤検出の可能性を低下させたり、類似値の計算処理量や必要なメモリ量を削減したりすることが可能となる。
第１の実施形態に係る重要度算出装置の機能的構成を示すブロック図である。 第１の実施形態に係る重要度算出装置における重み学習処理ルーチンを示すフローチャートである。 第１の実施形態に係る重要度算出装置における検索処理ルーチンを示すフローチャートである。 第２の実施形態に係る重要度算出装置の機能的構成を示すブロック図である。 第２の実施形態に係る重要度算出装置における重み学習処理ルーチンを示すフローチャートである。 実験結果の例を示す図である。
以下、図面を参照して本発明の実施形態を詳細に説明する。
＜本発明の実施形態の概要＞
まず、本実施形態の概要について説明する。
本実施形態において用いる重みを算出する方法は、抽出する特徴数が多かったり、一つの対象が非常に多くの特徴を含んでいたりする場合においても、より適切な特徴の重みを算出することができる。
本実施形態において用いる重みを算出する方法は、着目特徴を含んでいる対象の数ではなく、抽出された特徴の数を利用することで、抽出特徴数が多くても、特徴間の差を反映したり、重みが０に近づいたりしないようにする。
具体的には、ｋ番目の特徴がｎ番目の対象から抽出された数fk nとすると、ｋ番目の特徴に対する重みitffkは、下記（２）式に従って算出される。
ここで、ITFF（Inverse Total Feature Frequency）は、全ての特徴抽出数に対する、着目特徴の抽出数の比率に基づいているため、全ての対象から抽出されたとしても重みは０にはならない。また、特徴抽出数に基づくため、ある対象から１つだけ抽出された場合と、複数抽出された場合では、異なる値が算出され、より特徴間の差を強調する値となる。
なお、IDFkについては、上述の（１）式に従って算出することができる。
＜第１の実施形態に係る重要度算出装置の構成＞
次に、第１の実施形態に係る重要度算出装置の構成について説明する。図１に示すように、第１の実施形態に係る重要度算出装置１００は、ＣＰＵと、ＲＡＭと、後述する各種処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この重要度算出装置１００は、機能的には図１に示すように入力部１０と、演算部２０と、出力部９０とを含んで構成されている。
入力部１０は、特徴の各々、及び当該特徴の重みを学習するための学習用データである学習用画像の各々を受け付ける。また、入力部１０は、クエリとしてクエリデータである画像（以後、クエリ画像）を受け付ける。
演算部２０は、記憶部２２と、特徴抽出部２４と、特徴重要度算出部２６と、検索部２８とを含んで構成されている。
記憶部２２には、入力部１０において受け付けた学習用画像の各々が記憶されている。なお、後述の特徴抽出部２４の処理後においては、記憶されている学習用画像の各々に、当該学習用画像の特徴ベクトルが紐付けられて記憶されている。また、記憶部２２には、後述の特徴重要度算出部２６の処理後においては、各特徴の重要度が記憶されている。
特徴抽出部２４は、記憶部２２に記憶されている学習用画像の各々について、当該学習用画像から特徴の各々を抽出する。また、特徴抽出部２４は、学習用画像の各々について、当該学習用画像から抽出された特徴の各々の数を、予め定められた順番に並べた特徴ベクトルを、当該学習用画像の特徴ベクトルとして作成し、記憶部２２に記憶する。なお、第１の実施形態においては、特徴を抽出する対象が画像であることから、特徴抽出部２４は、対象となる画像から色や幾何学的な情報を特徴として抽出する。
また、特徴抽出部２４は、入力部１０において受け付けたクエリ画像からも同様に特徴の各々を抽出し、当該クエリ画像の特徴ベクトルを作成する。なお、特徴抽出部２４において抽出される特徴は幾何学的な情報を取得することが出来ればどのような手法を用いてもよい。また、各特徴は、ベクトルとして取得される。
特徴重要度算出部２６は、特徴抽出部２４において取得した学習用画像毎の特徴の各々に基づいて、上記（２）式に従って、各特徴の重みとして、ＩＴＦＦを算出する。また、特徴重要度算出部２６は、取得した各特徴の重みを記憶部２２に記憶する。
検索部２８は、特徴抽出部２４において取得したクエリ画像の特徴ベクトルと、記憶部２２に記憶されている各特徴の重みと、記憶部２２に記憶されている学習用画像毎の特徴ベクトルとに基づいて、クエリ画像に類似する学習用画像を類似画像として検索し、出力部９０から出力する。
具体的には、検索部２８は、学習用画像の各々について、当該学習用画像の特徴ベクトルと、取得したクエリ画像の特徴ベクトルとに基づいて、学習用画像の特徴ベクトルとクエリ画像の特徴ベクトルとの要素毎の差に、各特徴の重みを掛け合わせた結果を、学習用画像とクエリ画像との特徴ベクトル間の距離として算出する。そして、検索部２８は、算出された特徴ベクトル間の距離の各々に基づいて、当該ベクトル間の距離が予め定められた閾値以下である学習用画像を類似画像として取得し、出力部９０から出力する。
＜第１の実施形態に係る重要度算出装置の作用＞
次に、第１の実施形態に係る重要度算出装置１００の作用について説明する。重要度算出装置１００は、入力部１０によって、学習用画像の各々を受け付け記憶部２２に記憶すると、重要度算出装置１００によって、図２に示す重み学習処理ルーチンが実行される。また、重要度算出装置１００は、入力部１０によって、クエリ画像を受け付けると、重要度算出装置１００によって、図３に示す検索処理ルーチンが実行される。
まず、図２に示す重み学習処理ルーチンについて説明する。
図２に示す重み学習処理のステップＳ１００で、記憶部２２に記憶されている学習用画像の各々を読み込む。
次に、ステップＳ１０２で、ステップＳ１００において取得した学習用画像毎に、当該学習用画像の特徴の各々を抽出し、当該抽出された特徴の各々に基づいて、当該学習用画像の特徴ベクトルを作成し、記憶部２２に記憶する。
次に、ステップＳ１０４で、ステップＳ１０２において取得した学習用画像毎の特徴の各々に基づいて、上記（２）式に従って、各特徴の重みとしてＩＴＦＦを算出する。
次に、ステップＳ１０６で、ステップＳ１０４において取得した各特徴の重みの各々を記憶部２２に記憶し、重み学習処理ルーチンを終了する。
次に、図３に示す検索処理ルーチンについて説明する。
図３に示す検索処理のステップＳ１２０で、記憶部２２に記憶されている特徴ベクトルが紐付けられている学習用画像の各々と、各特徴の重みとを読み込む。
次に、ステップＳ１２２で、入力部１０において受け付けたクエリ画像から特徴の各々を抽出する。
次に、ステップＳ１２４で、ステップＳ１２２において取得したクエリ画像の特徴の各々に基づいて、当該クエリ画像の特徴ベクトルを作成する。
次に、ステップＳ１２６で、ステップＳ１２４において取得したクエリ画像の特徴ベクトルと、ステップＳ１２０において取得した各学習用画像の特徴ベクトルと、ステップＳ１２０において取得した各特徴の重みと、予め定められたベクトル間の距離の閾値とに基づいて、クエリ画像に類似する画像を検索する。
次に、ステップＳ１２８で、ステップＳ１２６において取得したクエリ画像に類似する画像を出力部９０から出力して、検索処理ルーチンを終了する。
以上説明したように、第１の実施形態に係る重要度算出装置によれば、複数の学習用データから特徴の各々を抽出し、特徴の各々について、全特徴が抽出された総数を特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦを特徴の重みとして算出することにより、抽出される特徴数が多くても、適切な重みを算出することができる。
また、処理対象となる画像や文書などから特徴を抽出し、抽出された特徴同士を比較することにより対象間の類似性を評価することで、類似画像検索や類似文書検索などを実現する処理において、抽出された特徴の重要度を表す重みの算出処理を行うことができる。
また、類似性を表す類似値や距離値を算出する際に、各特徴の重要度となる重みを反映させることで、より精度が高い類似性の評価が可能となる。
なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
次に、第２の実施形態について説明する。
第２の実施形態については、特定の条件を満たす特徴の重みを０にする点が、第１の実施形態と主に異なる。なお、第１の実施形態に係る重要度算出装置１００と同様の構成、及び作用については、同一の符号を付すことにより説明を省略する。
＜第２の実施形態に係る重要度算出装置の構成＞
第２の実施形態に係る重要度算出装置の構成について説明する。図４に示すように、第２の実施形態に係る重要度算出装置２００は、ＣＰＵと、ＲＡＭと、後述する各種処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この重要度算出装置２００は、機能的には図４に示すように入力部１０と、演算部２２０と、出力部９０とを含んで構成されている。
演算部２２０は、記憶部２２２と、特徴抽出部２４と、特徴重要度算出部２２６と、検索部２８とを含んで構成されている。
記憶部２２２には、入力部１０において受け付けた学習用画像の各々が記憶されている。なお、後述の特徴抽出部２４の処理後においては、記憶されている学習用画像の各々に、当該学習用画像の特徴ベクトルが紐付けられて記憶されている。また、記憶部２２２には、後述の特徴重要度算出部２２６の処理後においては、各特徴の重要度が記憶されている。
特徴重要度算出部２２６は、特徴重要度算出部２２６は、特徴抽出部２４において取得した学習用画像毎の特徴の各々に基づいて、上記（２）式に従って、各特徴のＩＴＦＦを算出する。そして、各特徴について、ＩＴＦＦの値が予め定められた閾値（例えば、１）未満である場合には、当該特徴の重みを０とする。なお、ＩＴＦＦの値が閾値以上である場合には、ＩＴＦＦの値を、当該特徴の重みとする。また、当該閾値は、予め実験により適切な値を定めておくものとする。
また、特徴重要度算出部２２６は、取得した各特徴の重みを記憶部２２２に記憶する。
なお、重要度算出装置２００の他の構成は、第１の実施形態に係る重要度算出装置１００と同様のため、説明は省略する。
＜第２の実施形態に係る重要度算出装置の作用＞
次に、第２の実施形態に係る重要度算出装置２００の作用について説明する。重要度算出装置２００は、入力部１０によって、学習用画像の各々を受け付け記憶部２２２に記憶すると、重要度算出装置２００によって、図５に示す重み学習処理ルーチンが実行される。また、重要度算出装置２００は、入力部１０によって、クエリ画像を受け付けると、重要度算出装置２００によって、図３に示す検索処理ルーチンが実行される。
図５に示す重み学習処理のステップＳ２０４で、ステップＳ１０２において取得した学習用画像毎の特徴の各々に基づいて、上記（２）式に従って、各特徴のＩＴＦＦ値を算出し、当該ＩＴＦＦの値と、予め定められた閾値とに基づいて、重みを算出する。
なお、重要度算出装置２００の他の作用については、第１の実施形態に係る重要度算出装置１００の作用と同一であるため、説明を省略する。
＜実験例＞
第１の実施形態に係る重要度算出装置１００、及び第２の実施形態に係る重要度算出装置２００を用いて、１００枚の検索クエリ画像に対し、類似している３１４枚及び異なる５０００枚の計５３１４枚の画像からどれだけ類似した画像が検出できるのかの評価実験結果を図６に示す。各数値は上位Ｍ個に類似した画像が含まれている割合を示す。
図６の結果から、ＩＴＦＦを用いた結果の方が、従来のＩＤＦを用いた結果よりも検索精度が高いということがいえる。更に、閾値処理をしたＩＴＦＦ（Thresholded ITFF）を用いた結果の方が、ＩＴＦＦをそのまま用いた結果よりも検索精度が高いということがいえる。また、ＩＤＦに限らず、着目特徴が対象に含まれているか否かのみの情報dkを用いる、ＢＭ２５などの異なる重み計算法においても、着目特徴の抽出特徴数fk nを用いる方法を適用することが可能である。
以上のことより、第２の実施形態に係る重要度算出装置は、検索精度を向上させることができ、また、検索時間を短縮することができる。
また、閾値処理により重要ではない特徴の重みを０とすることにより、誤検出の可能性を低下させたり、類似値の計算処理量や必要なメモリ量を削減したりすることが可能となる。
なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
例えば、第１及び第２の実施形態においては、対象を画像とする場合について説明する場合について説明したが、これに限定されるものではなく、例えば、対象は画像でなく、例えば、文章等の任意のものであってもよい。この場合、特徴抽出部において抽出される特徴は、対象に対応した特徴を抽出する。例えば、対象が文章である場合には、当該文書に含まれる単語等を特徴として抽出する。
また、第１及び第２の実施形態においては、類似度を特徴ベクトル間の距離に基づいて判断する場合について説明したが、これに限定されるものではない。例えば、任意の方法を用いてもよい。
また、第１及び第２の実施形態においては、学習用画像、及びクエリ画像について、特徴ベクトルを作成する場合について説明したが、これに限定されるものではない。例えば、任意の方法により各画像について特徴を表現してもよい。
また、第２の実施形態においては、ＩＴＦＦの値が閾値未満である特徴の重みを０として記憶し、当該特徴についても処理の対象とする場合について説明したがこれに限定されるものではない。例えば、ＩＴＦＦの値が閾値未満である特徴については、処理の対象としないようにしてもよい。そのため、当該場合、ＩＴＦＦの値が閾値未満である特徴については、学習用画像の各々、及びクエリ画像についての各処理において対象としないものとする。
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。
１０ 入力部
２０ 演算部
２２ 記憶部
２４ 特徴抽出部
２６ 特徴重要度算出部
２８ 検索部
９０ 出力部
１００ 重要度算出装置
２００ 重要度算出装置
２２０ 演算部
２２２ 記憶部
２２６ 特徴重要度算出部

Claims (5)

  1. クエリ画像取得部と特徴抽出部と特徴重要度算出部と検索部とを含む、画像検索装置における、画像検索方法であって、
    前記特徴抽出部は、複数の学習用画像から幾何学的な特徴の各々を抽出し、前記複数の学習用画像の各々について、抽出された特徴の各々の数を予め定められた順番で並べた特徴ベクトルを、該学習用画像の特徴ベクトルとして作成し、
    前記特徴重要度算出部は、前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦ（Inverse Total Feature Frequency）を前記特徴の重みとして算出し、
    前記クエリ画像取得部が、クエリとなるクエリ画像を取得し、
    前記特徴抽出部が、前記クエリ画像から特徴の各々を抽出し、前記クエリ画像の特徴ベクトルを作成し、
    前記検索部は、前記学習用画像の各々について、該学習用画像の特徴ベクトルと、取得した前記クエリ画像の特徴ベクトルとに基づいて、前記学習用画像の特徴ベクトルと前記クエリ画像の特徴ベクトルとの要素毎の差に、前記特徴の重みを掛け合わせた結果を、前記学習用画像と前記クエリ画像との特徴ベクトル間の距離として算出し、算出された特徴ベクトル間の距離に基づいて、前記複数の学習用画像から、前記クエリ画像に類似する画像を検索する
    ことを特徴とする画像検索方法。
  2. 前記特徴重要度算出部により特徴の重みを算出することは、前記ＩＴＦＦの値が予め定められた閾値未満である場合には、前記特徴の重みを０とし、前記ＩＴＦＦの値が前記閾値以上である場合には、前記特徴の重みを前記ＩＴＦＦの値とする請求項１記載の画像検索方法。
  3. クエリとなるクエリ画像を取得するクエリ画像取得部と、
    複数の学習用画像から幾何学的な特徴の各々を抽出し、前記複数の学習用画像の各々について、抽出された特徴の各々の数を予め定められた順番で並べた特徴ベクトルを、該学習用画像の特徴ベクトルとして作成し、前記クエリ画像から特徴の各々を抽出し、前記クエリ画像の特徴ベクトルを作成する特徴抽出部と、
    前記特徴の各々について、全特徴が抽出された総数を前記特徴が抽出された数で割った値の対数をとった値であるＩＴＦＦ（Inverse Total Feature Frequency）を前記特徴の重みとして算出する特徴重要度算出部と、
    前記学習用画像の各々について、該学習用画像の特徴ベクトルと、取得した前記クエリ画像の特徴ベクトルとに基づいて、前記学習用画像の特徴ベクトルと前記クエリ画像の特徴ベクトルとの要素毎の差に、前記特徴の重みを掛け合わせた結果を、前記学習用画像と前記クエリ画像との特徴ベクトル間の距離として算出し、算出された特徴ベクトル間の距離に基づいて、前記複数の学習用画像から、前記クエリ画像に類似する画像を検索する検索部と、
    を含む画像検索装置。
  4. 前記特徴重要度算出部は、前記ＩＴＦＦの値が予め定められた閾値未満である場合には、前記特徴の重みを０とし、前記ＩＴＦＦの値が前記閾値以上である場合には、前記特徴の重みを前記ＩＴＦＦの値とする請求項３記載の画像検索装置。
  5. コンピュータを、請求項３又は４に記載の画像検索装置の各部として機能させるためのプログラム。
JP2015238006A 2015-12-04 2015-12-04 画像検索装置、方法、及びプログラム Active JP6427480B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015238006A JP6427480B2 (ja) 2015-12-04 2015-12-04 画像検索装置、方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015238006A JP6427480B2 (ja) 2015-12-04 2015-12-04 画像検索装置、方法、及びプログラム

Publications (2)

Publication Number Publication Date
JP2017102869A JP2017102869A (ja) 2017-06-08
JP6427480B2 true JP6427480B2 (ja) 2018-11-21

Family

ID=59016688

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015238006A Active JP6427480B2 (ja) 2015-12-04 2015-12-04 画像検索装置、方法、及びプログラム

Country Status (1)

Country Link
JP (1) JP6427480B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978812A (zh) * 2017-12-24 2019-07-05 奥林巴斯株式会社 摄像系统、学习装置、摄像装置和学习方法
CN111954907A (zh) * 2018-03-08 2020-11-17 皇家飞利浦有限公司 基于机器学习的血管成像中的分辨和操纵决策焦点

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004348591A (ja) * 2003-05-23 2004-12-09 Canon Inc 文書検索方法及び装置
JP4906900B2 (ja) * 2009-09-24 2012-03-28 ヤフー株式会社 画像検索装置、画像検索方法及びプログラム
JP5292427B2 (ja) * 2011-03-15 2013-09-18 エヌ・ティ・ティ・コムウェア株式会社 特徴量算出装置、特徴量算出方法およびプログラム
KR101773279B1 (ko) * 2013-04-26 2017-08-30 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. 업샘플링 및 신호 향상
JP6128987B2 (ja) * 2013-06-25 2017-05-17 オリンパス株式会社 画像処理装置、画像処理方法及び画像処理プログラム

Also Published As

Publication number Publication date
JP2017102869A (ja) 2017-06-08

Similar Documents

Publication Publication Date Title
CN106547871B (zh) 基于神经网络的搜索结果的召回方法和装置
US8861884B1 (en) Training classifiers for deblurring images
CN107577687B (zh) 图像检索方法及装置
US9576218B2 (en) Selecting features from image data
KR101481253B1 (ko) 워드 클라우드 기반 텍스트 문서의 이미지화 요약 방법 및 이를 이용한 정보 제공 시스템
US10565253B2 (en) Model generation method, word weighting method, device, apparatus, and computer storage medium
CN110134777B (zh) 问题去重方法、装置、电子设备和计算机可读存储介质
WO2014055874A1 (en) Fast computation of kernel descriptors
CN110750615B (zh) 文本重复性判定方法和装置、电子设备和存储介质
US9047534B2 (en) Method and apparatus for detecting near-duplicate images using content adaptive hash lookups
US9436891B2 (en) Discriminating synonymous expressions using images
KR20070009338A (ko) 이미지 상호간의 유사도를 고려한 이미지 검색 방법 및장치
CN115443490A (zh) 影像审核方法及装置、设备、存储介质
WO2011134141A1 (en) Method of extracting named entity
CN109086690B (zh) 图像特征提取方法、目标识别方法及对应装置
CN114116973A (zh) 多文档的文本查重方法、电子设备及存储介质
CN113298146A (zh) 一种基于特征检测的图像匹配方法、装置、设备及介质
JP6427480B2 (ja) 画像検索装置、方法、及びプログラム
JP6172332B2 (ja) 情報処理方法及び情報処理装置
WO2017202086A1 (zh) 图片的筛选方法及装置
CN113255566B (zh) 表格图像识别方法及装置
CN114528421A (zh) 内容审核方法、装置、电子设备及存储介质
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
CN110096708B (zh) 一种定标集确定方法及装置
CN111738173A (zh) 视频片段检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170502

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180326

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180410

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180611

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180807

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181009

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: 20181023

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181029

R150 Certificate of patent or registration of utility model

Ref document number: 6427480

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150