CN104991959A - 一种基于内容检索相同或相似图像的方法与*** - Google Patents
一种基于内容检索相同或相似图像的方法与*** Download PDFInfo
- Publication number
- CN104991959A CN104991959A CN201510433542.2A CN201510433542A CN104991959A CN 104991959 A CN104991959 A CN 104991959A CN 201510433542 A CN201510433542 A CN 201510433542A CN 104991959 A CN104991959 A CN 104991959A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensionality reduction
- proper vector
- index
- identifier
- 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
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
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于内容检索相同或相似图像的方法与***,通过对图像进行全量降维并建立索引,以搭建小规模的数据集群即能满足类实时搜索相同或相似图像,检索精度高、时间短。该方法包括:对图像进行去重处理后,利用卷积神经网络模型提取图像的特定层的全连接特征向量;对提取的特定层的全连接特征向量进行降维,并将降维后的特征向量与图像的标识符及属性信息相关联;将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***图像的数据信息;通过对降维后的特征向量在分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
Description
技术领域
本发明涉及计算机技术领域,特别地涉及一种基于内容检索相同或相似图像的方法与***。
背景技术
常规的图像检索,是通过输入关键词的形式搜索到互联网上相关的图片资源,查找出自己所需要的特定图片。但是对于某个特定的图像特征,通常又有多种不同的表达方法。由于人们主观认识上的千差万别,对于某个特征并不存在一个所谓的最佳的表达方式,这样在进行图像检索时就会出现检索精度低,甚至检索不到需要的图片的情况。因此,基于内容的图像检索使用越来越多。
基于内容的图像检索为从大量图像中检索出特定内容的图像提供了有效的方法,一般使用一些特征提取的方法提取出图像的特征,然后再检索比较。现有的图片搜索引擎在进行相似图片搜索时,主要有如下两种方式:
1、根据输入的关键字,在搜索结果中挑选一张图片,再根据这张图片的特点来进行搜索,例如:Xcavator、Live.com、Picitup等,其中,图片的特点主要指色彩、形状等方面的特征;
2、通过上传本地图片或输入网络图片的URL地址,自动分析图像中的元数据,作为搜索的关键数据,例如,颜色、形状、主题风格等,取出多个像素点,提取特征值,寻找相似的图片,例如:百度识图、Gazopa、Byo image search等。
由上述可知,现有的基于内容的图像检索主要是根据图像的颜色、形状、主题风格等特征,取多个像素点提取特征值以寻找相似的图片。然而,通常情况下,不同的特征提取方法对提取出来的结果影响甚大;对于检索响应时间,会随着图像数量的增多而逐渐拉长。且现有的大部分图像识别产品,针对性是全网搜索的图片,对特定领域的相同或相似图像检索精度并没有那么高。
因此,需要一种针对特定领域的相同或相似图像类实时检索的方法和***。由于从海量的高维数据集合中找到相似数据计算复杂度非常高,因此对需要实时查询的***而言,方案几乎不可取。但是,如果能把特征维度降低一个量级,然后对特征建立索引,那么通过查询请求即可做到类实时查询。
发明内容
有鉴于此,本发明提供一种基于内容检索相同或相似图像的方法与***,通过对图像进行特征向量提取,并对提取的图像特征向量降维及建立索引,以搭建小规模的数据集群即能满足类实时搜索相同或相似图像,检索精度高、时间短。
为实现上述目的,本发明提供以下技术方案:利用卷积神经网络模型提取图像的高层特征向量,根据特征向量维度大小利用降维方法选择最优参数进行特征向量降维,降维后的特征向量***实时检索集群,对于要查询的图像,用上述步骤提取降维后的特征向量,在实时检索集群中采用汉明距离进行相似度量,根据计算出来的分数得到相同或相似图像。
根据本发明的一个方面,提供了一种基于内容检索相同或相似图像的方法。
本发明的一种基于内容检索相同或相似图像的方法,包括:对图像进行去重处理后,利用卷积神经网络模型提取所述图像的特定层的全连接特征向量;对提取的所述特定层的全连接特征向量进行降维,并将降维后的特征向量与所述图像的标识符及属性信息相关联;将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***所述图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息;通过对所述降维后的特征向量在所述分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
可选地,将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引的步骤包括:对降维后的特征向量的每一项都采用整数建立索引;对图像的标识符采用不分词的方式直接建立索引。
可选地,将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引的步骤之后,还包括:将图像的属性信息只进行存储而不建立索引。
可选地,批量***所述图像的数据信息包括:按照图像类型批量***所述图像的数据信息。
可选地,所述索引为倒排索引。
可选地,对所述降维后的特征向量在所述分布式的检索集群中进行相似度量包括:计算所述降维后的特征向量与所述分布式的检索集群中的特征向量之间的汉明距离。
可选地,对所述降维后的特征向量在所述分布式的检索集群进行相似度量的步骤包括:将降维后的特征向量的每一个维度的权重设为同一整数,并与所述分布式的检索集群中的特征向量进行比较,以计算汉明距离得分;所述得分在所述预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。
可选地,所述权重是1,并且所述预定阈值为降维后特征向量维度的95%。
根据本发明的另一方面,提供了一种基于内容检索相同或相似图像的***。
本发明的一种基于内容检索相同或相似图像的***,包括:特征提取模块,用于对图像进行去重处理后,利用卷积神经网络模型提取图像的特定层的全连接特征向量;特征降维模块,用于对提取的所述特定层的全连接特征向量进行降维,并将降维后的特征向量与所述图像的标识符及属性信息相关联;特征入库模块,用于将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***所述图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息;特征查询模块,用于通过对所述降维后的特征向量在所述分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
可选地,所述特征入库模块还用于:对降维后的特征向量的每一项都采用整数建立索引;对图像的标识符采用不分词的方式直接建立索引。
可选地,所述特征入库模块在将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引之后,还用于:将图像的属性信息只进行存储而不建立索引。
可选地,所述特征入库模块还用于:按照图像类型批量***所述图像的数据信息。
可选地,所述索引为倒排索引。
可选地,所述特征查询模块还用于:计算所述降维后的特征向量与所述分布式的检索集群中的特征向量之间的汉明距离。
可选地,所述特征查询模块还用于:将降维后的特征向量的每一个维度权重设为同一整数,并与所述分布式的检索集群中的数据进行比较,以计算汉明距离得分;所述得分在预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。
可选地,所述权重是1,并且所述预定阈值为降维后特征向量维度的95%。
根据本发明的技术方案,通过对图像进行全连接特征向量提取,并对提取的图像特征向量降维及建立索引,以搭建小规模的数据集群即能满足类实时搜索相同或相似图像,检索精度高、时间短,从而提高了检索效率,提高了用户体验度。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种基于内容检索相同或相似图像的方法的主要步骤示意图;
图2是根据本发明实施例的一种基于内容检索相同或相似图像的***的主要模块示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种基于内容检索相同或相似图像的方法的主要步骤示意图。如图1所示,本发明的一种基于内容检索相同或相似图像的方法包括步骤S11至步骤S14。
步骤S11:对图像进行去重处理后,利用卷积神经网络模型提取所述图像的特定层的全连接特征向量。对图像进行去重的方法可根据需要进行选择,例如可选择常见的用于处理高维向量的索引办法局部敏感哈希LSH,或者其相应的各种衍生算法等。对图像进行去重处理,可以避免增加不必要的工作量,从而提高检索效率。
之后,对去重处理后的图像利用卷积神经网络模型,通过图形处理器GPU进行特征流式提取,得到图像的特定层的全连接特征向量。此处,根据所选取的卷积神经网络模型的参数及去重方法,提取相应层的全连接特征向量。得到的图像高层特征向量将被推送至特征降维模块进行处理。
步骤S12:对提取的所述特定层的全连接特征向量进行降维,并将降维后的特征向量与所述图像的标识符及属性信息相关联。在对步骤S11中提取的高层全连接特征向量进行降维时,可根据需要选择合适的降维方法或者多种降维方法融合。例如,可以选择PCA、SPCA、GHA等降维方法,也可选择它们的融合等,并通过交叉验证等手段调节降维方法的参数以得到良好的效果,使得满足要求的同时还可以保持良好的度量距离。例如,提取到的高层特征向量为5000维,为了提高检索效率,现将该特征向量降维处理到500维,为了使信息损失量尽量减小,需要对降维方法的参数进行交叉验证并调整。降维后的特征向量每一维度设为整数,计算度量距离时可以命中个数进行度量,以与搜索引擎的原理布尔查询结果分数一致,有利于建立实时索引。
将特征向量进行降维处理后,把图像的标识符和属性信息与降维后的图像特征进行关联,得到图像降维后的特征向量与标识符和属性信息相对应的关系数据,以便于进行查询及结果显示。
步骤S13:将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***所述图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息。在分布式的检索集群中建立索引字段信息时,为了充分利用索引量,对降维后的特征向量的每一项都采用整数建立索引;对图像的标识符采用不分词的方式直接建立索引;将基于图像检索用不到的图像的属性信息只进行存储而不建立索引。此处的索引方法为倒排索引,即:根据查询图像的特征向量、标识符等属性值确定要查找的图像,该方法比普通的顺序匹配定位快,查询效率高。
降维后的特征向量及图像的标识符在分布式的检索集群中建立索引后,将图像的其他属性信息按照相应的图像类型批量***不同的位置,以便于尽量减少查询时间。例如一个图像为一种花卉,则将其信息***花卉类中这种花卉所在的位置;又例如另一图像为一商品,则将其信息***商品类中该商品类型所在的位置,这样在进行相似查询时,会根据要查询图像的类型在相应的图像类型数据库中进行查找,以提高查询效率。
步骤S14:对所述降维后的特征向量在所述分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。在进行相同或相似图像查询时,会根据要查询图像的类型及降维后的特征向量来进行相似查询。在进行相似度量时,可以通过计算降维后的特征向量与分布式的检索集群中的特征向量之间的汉明距离来求得度量距离。
首先,将降维后的特征向量的每一个维度的权重设为同一整数,一般可设为1,并与分布式的检索集群中的特征向量进行比较,相同的位数记作1,不同的位数记作0,以此计算汉明距离得分;之后,根据得分进行排序,得分在预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。本实施例中,预定阈值设定为降维后特征向量维度的95%。也就是说,计算汉明距离得分,在降维后特征向量维度的95%以上的被认为是相同图像,在95%以下则被认为是相似图像。然后,将查询的结果返回并显示,返回的数据信息可以包括:原始图像的属性信息、相同图像及相似图像的属性信息等。
由以上的描述,根据本发明的技术方案,通过对图像进行全连接特征向量提取,并对提取的图像特征向量降维及建立索引,以搭建小规模的数据集群即能满足类实时搜索相同或相似图像,检索精度高、时间短,从而提高了检索效率,提高了用户体验度。
图2是根据本发明实施例的一种基于内容检索相同或相似图像的***的主要模块示意图。本发明实施例的一种基于内容检索相同或相似图像的***20包括特征提取模块21、特征降维模块22、特征入库模块23及特征查询模块24。
特征提取模块21用于对图像进行去重处理后,利用卷积神经网络模型提取图像的特定层的全连接特征向量。
特征降维模块22用于对提取的特定层的全连接特征向量进行降维,并将降维后的特征向量与图像的标识符及属性信息相关联。
特征入库模块23用于将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息。其中,所述索引为倒排索引。
特征入库模块23还可以用于对降维后的特征向量的每一项都采用整数建立索引;对图像的标识符采用不分词的方式直接建立索引。
特征入库模块23在将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引之后,还可以用于将基于图像检索用不到的属性信息只进行存储而不建立索引。
特征入库模块23还可以用于按照图像类型批量***所述图像的数据信息。
特征查询模块24用于通过对降维后的特征向量在分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
特征查询模块24还可以用于计算所述降维后的特征向量与所述分布式的检索集群中的特征向量之间的汉明距离。
特征查询模块24还可以用于将降维后的特征向量的每一个维度权重设为同一整数,并与所述分布式的检索集群中的数据进行比较,以计算汉明距离得分;得分在预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。其中,权重一般设定为1,并且设定预定阈值为降维后特征向量维度的95%。
根据本发明的技术方案,通过对图像进行全连接特征向量提取,并对提取的图像特征向量降维及建立索引,以搭建小规模的数据集群即能满足类实时搜索相同或相似图像,检索精度高、时间短,从而提高了检索效率,提高了用户体验度。
在本发明的技术方案中,所选用的降维方法或特征向量度量相似度参数的不同均会得到不同的最终结果。同样的,神经网络模型的参数也会影响最终的结果。本领域技术人员可根据所要达到的效果进行选择和调整。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种基于内容检索相同或相似图像的方法,其特征在于,包含:
对图像进行去重处理后,利用卷积神经网络模型提取所述图像的特定层的全连接特征向量;
对提取的所述特定层的全连接特征向量进行降维,并将降维后的特征向量与所述图像的标识符及属性信息相关联;
将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***所述图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息;
通过对所述降维后的特征向量在所述分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
2.根据权利要求1所述的方法,其特征在于,将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引的步骤包括:
对降维后的特征向量的每一项都采用整数建立索引;
对图像的标识符采用不分词的方式直接建立索引。
3.根据权利要求1所述的方法,其特征在于,将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引的步骤之后,还包括:
将图像的属性信息只进行存储而不建立索引。
4.根据权利要求1所述的方法,其特征在于,批量***所述图像的数据信息包括:
按照图像类型批量***所述图像的数据信息。
5.根据权利要求1所述的方法,其特征在于,所述索引为倒排索引。
6.根据权利要求1所述的方法,其特征在于,对所述降维后的特征向量在所述分布式的检索集群中进行相似度量包括:
计算所述降维后的特征向量与所述分布式的检索集群中的特征向量之间的汉明距离。
7.根据权利要求1或6所述的方法,其特征在于,对所述降维后的特征向量在所述分布式的检索集群进行相似度量的步骤包括:
将降维后的特征向量的每一个维度的权重设为同一整数,并与所述分布式的检索集群中的特征向量进行比较,以计算汉明距离得分;
所述得分在所述预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。
8.根据权利要求7所述的方法,其特征在于,所述权重是1,并且所述预定阈值为降维后特征向量维度的95%。
9.一种基于内容检索相同或相似图像的***,其特征在于,包括:
特征提取模块,用于对图像进行去重处理后,利用卷积神经网络模型提取图像的特定层的全连接特征向量;
特征降维模块,用于对提取的所述特定层的全连接特征向量进行降维,并将降维后的特征向量与所述图像的标识符及属性信息相关联;
特征入库模块,用于将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引,并批量***所述图像的数据信息,其中所述数据信息包括所述降维后的特征向量、所述图像的标识符及属性信息;
特征查询模块,用于通过对所述降维后的特征向量在所述分布式的检索集群中进行相似度量,将满足预定阈值的图像确定为相同或相似图像。
10.根据权利要求9所述的***,其特征在于,所述特征入库模块还用于:
对降维后的特征向量的每一项都采用整数建立索引;
对图像的标识符采用不分词的方式直接建立索引。
11.根据权利要求9所述的***,其特征在于,所述特征入库模块在将降维后的特征向量及图像的标识符在分布式的检索集群中建立索引之后,还用于:
将图像的属性信息只进行存储而不建立索引。
12.根据权利要求9所述的***,其特征在于,所述特征入库模块还用于:
按照图像类型批量***所述图像的数据信息。
13.根据权利要求9所述的***,其特征在于,所述索引为倒排索引。
14.根据权利要求9所述的***,其特征在于,所述特征查询模块还用于:
计算所述降维后的特征向量与所述分布式的检索集群中的特征向量之间的汉明距离。
15.根据权利要求9或14所述的***,其特征在于,所述特征查询模块还用于:
将降维后的特征向量的每一个维度权重设为同一整数,并与所述分布式的检索集群中的数据进行比较,以计算汉明距离得分;
所述得分在预定阈值之上的图像认为是所要查询图像的相同图像,否则为所要查询图像的相似图像。
16.根据权利要求15所述的***,其特征在于,所述权重是1,并且所述预定阈值为降维后特征向量维度的95%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510433542.2A CN104991959B (zh) | 2015-07-21 | 2015-07-21 | 一种基于内容检索相同或相似图像的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510433542.2A CN104991959B (zh) | 2015-07-21 | 2015-07-21 | 一种基于内容检索相同或相似图像的方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104991959A true CN104991959A (zh) | 2015-10-21 |
CN104991959B CN104991959B (zh) | 2019-11-05 |
Family
ID=54303774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510433542.2A Active CN104991959B (zh) | 2015-07-21 | 2015-07-21 | 一种基于内容检索相同或相似图像的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104991959B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354560A (zh) * | 2015-11-25 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN106202362A (zh) * | 2016-07-07 | 2016-12-07 | Tcl集团股份有限公司 | 图像推荐方法和图像推荐装置 |
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及*** |
CN107203585A (zh) * | 2017-04-11 | 2017-09-26 | 中国农业大学 | 一种基于深度学习的茄类图像检索方法和设备 |
WO2017202086A1 (zh) * | 2016-05-23 | 2017-11-30 | 中兴通讯股份有限公司 | 图片的筛选方法及装置 |
CN108009191A (zh) * | 2017-09-24 | 2018-05-08 | 贵州师范学院 | 一种图像检索方法 |
CN108091334A (zh) * | 2016-11-17 | 2018-05-29 | 株式会社东芝 | 识别装置、识别方法以及存储介质 |
CN108304431A (zh) * | 2017-06-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像检索方法及装置、设备、存储介质 |
CN108846047A (zh) * | 2018-05-30 | 2018-11-20 | 百卓网络科技有限公司 | 一种基于卷积特征的图片检索方法及*** |
CN109165305A (zh) * | 2018-07-24 | 2019-01-08 | 浙江大华技术股份有限公司 | 一种特征值存储、检索方法及装置 |
CN110046670A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 特征向量降维方法和装置 |
WO2019200735A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 |
CN111680183A (zh) * | 2020-08-13 | 2020-09-18 | 成都睿沿科技有限公司 | 对象检索方法及装置、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576913A (zh) * | 2009-06-12 | 2009-11-11 | 中国科学技术大学 | 基于自组织映射神经网络的舌象自动聚类、可视化和检索*** |
CN101866339A (zh) * | 2009-04-16 | 2010-10-20 | 周矛锐 | 基于图像的多内容信息在互联网上的识别,及对已识别内容信息中的商品引导购买的应用 |
US20130170716A1 (en) * | 2003-06-23 | 2013-07-04 | Tsu-Chang Lee | Object-based information storage, search and mining system and method |
CN103345496A (zh) * | 2013-06-28 | 2013-10-09 | 新浪网技术(中国)有限公司 | 多媒体信息检索方法和*** |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN104090972A (zh) * | 2014-07-18 | 2014-10-08 | 北京师范大学 | 用于三维城市模型检索的图像特征提取和相似性度量方法 |
-
2015
- 2015-07-21 CN CN201510433542.2A patent/CN104991959B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130170716A1 (en) * | 2003-06-23 | 2013-07-04 | Tsu-Chang Lee | Object-based information storage, search and mining system and method |
CN101866339A (zh) * | 2009-04-16 | 2010-10-20 | 周矛锐 | 基于图像的多内容信息在互联网上的识别,及对已识别内容信息中的商品引导购买的应用 |
CN101576913A (zh) * | 2009-06-12 | 2009-11-11 | 中国科学技术大学 | 基于自组织映射神经网络的舌象自动聚类、可视化和检索*** |
CN103345496A (zh) * | 2013-06-28 | 2013-10-09 | 新浪网技术(中国)有限公司 | 多媒体信息检索方法和*** |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN104008174A (zh) * | 2014-06-04 | 2014-08-27 | 北京工业大学 | 一种海量图像检索的隐私保护索引生成方法 |
CN104090972A (zh) * | 2014-07-18 | 2014-10-08 | 北京师范大学 | 用于三维城市模型检索的图像特征提取和相似性度量方法 |
Non-Patent Citations (2)
Title |
---|
贺玲 等: "基于内容图像检索中的索引技术", 《计算机应用研究》 * |
马费成: "《信息资源开发与管理》", 31 January 2004 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN105354307B (zh) * | 2015-11-06 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN105354560A (zh) * | 2015-11-25 | 2016-02-24 | 小米科技有限责任公司 | 指纹识别方法及装置 |
WO2017202086A1 (zh) * | 2016-05-23 | 2017-11-30 | 中兴通讯股份有限公司 | 图片的筛选方法及装置 |
CN106202362A (zh) * | 2016-07-07 | 2016-12-07 | Tcl集团股份有限公司 | 图像推荐方法和图像推荐装置 |
CN108091334A (zh) * | 2016-11-17 | 2018-05-29 | 株式会社东芝 | 识别装置、识别方法以及存储介质 |
CN106777185A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106777185B (zh) * | 2016-12-23 | 2020-07-10 | 浙江大学 | 一种基于深度学习的跨媒体中草药植物图像搜索方法 |
CN106886599B (zh) * | 2017-02-28 | 2020-03-03 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及*** |
CN107203585A (zh) * | 2017-04-11 | 2017-09-26 | 中国农业大学 | 一种基于深度学习的茄类图像检索方法和设备 |
CN108304431A (zh) * | 2017-06-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像检索方法及装置、设备、存储介质 |
CN108304431B (zh) * | 2017-06-14 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 一种图像检索方法及装置、设备、存储介质 |
CN108009191A (zh) * | 2017-09-24 | 2018-05-08 | 贵州师范学院 | 一种图像检索方法 |
WO2019200735A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 |
CN108846047A (zh) * | 2018-05-30 | 2018-11-20 | 百卓网络科技有限公司 | 一种基于卷积特征的图片检索方法及*** |
CN109165305A (zh) * | 2018-07-24 | 2019-01-08 | 浙江大华技术股份有限公司 | 一种特征值存储、检索方法及装置 |
CN109165305B (zh) * | 2018-07-24 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种特征值存储、检索方法及装置 |
CN110046670A (zh) * | 2019-04-24 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 特征向量降维方法和装置 |
CN110046670B (zh) * | 2019-04-24 | 2021-04-30 | 北京京东尚科信息技术有限公司 | 特征向量降维方法和装置 |
CN111680183A (zh) * | 2020-08-13 | 2020-09-18 | 成都睿沿科技有限公司 | 对象检索方法及装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104991959B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104991959A (zh) | 一种基于内容检索相同或相似图像的方法与*** | |
US11048966B2 (en) | Method and device for comparing similarities of high dimensional features of images | |
Zheng et al. | Packing and padding: Coupled multi-index for accurate image retrieval | |
CN102254015B (zh) | 基于视觉词组的图像检索方法 | |
KR102079752B1 (ko) | 의도 쿼리들에 대한 자연어 검색 결과들 | |
CN104035949B (zh) | 一种基于局部敏感哈希改进算法的相似性数据检索方法 | |
Fernando et al. | Mining multiple queries for image retrieval: On-the-fly learning of an object-specific mid-level representation | |
US20120221572A1 (en) | Contextual weighting and efficient re-ranking for vocabulary tree based image retrieval | |
CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及*** | |
CN103955543A (zh) | 基于多模态的服装图像检索方法 | |
TW201232302A (en) | Method and apparatus of identifying similar images | |
CN106776710A (zh) | 一种基于垂直搜索引擎的图文知识库构建方法 | |
CN103123653A (zh) | 基于贝叶斯分类学习的搜索引擎检索排序方法 | |
CN107291825A (zh) | 一种视频中同款商品的检索方法和*** | |
CN110334290B (zh) | 一种基于MF-Octree的时空数据快速检索方法 | |
US20180276244A1 (en) | Method and system for searching for similar images that is nearly independent of the scale of the collection of images | |
CN102855245A (zh) | 一种用于确定图片相似度的方法与设备 | |
CN105426533A (zh) | 一种融合空间约束信息的图像检索方法 | |
CN104424257A (zh) | 信息检索装置和信息检索方法 | |
CN108875828A (zh) | 一种相似图像的快速匹配方法和*** | |
Yan et al. | Geometrically based linear iterative clustering for quantitative feature correspondence | |
CN111582967A (zh) | 内容搜索方法、装置、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 | |
CN104077555A (zh) | 一种识别图片搜索中坏例的方法和装置 | |
CN107423294A (zh) | 一种社群图像检索方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |