CN105631037B - 一种图像检索方法 - Google Patents

一种图像检索方法 Download PDF

Info

Publication number
CN105631037B
CN105631037B CN201610022306.6A CN201610022306A CN105631037B CN 105631037 B CN105631037 B CN 105631037B CN 201610022306 A CN201610022306 A CN 201610022306A CN 105631037 B CN105631037 B CN 105631037B
Authority
CN
China
Prior art keywords
image
looked
feature
query
description
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
CN201610022306.6A
Other languages
English (en)
Other versions
CN105631037A (zh
Inventor
赵鑫
李长青
孙鹏
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.)
Beijing August Melon Technology Co Ltd
Original Assignee
Beijing Hengguan Network Data Processing Co ltd
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 Beijing Hengguan Network Data Processing Co ltd filed Critical Beijing Hengguan Network Data Processing Co ltd
Priority to CN201610022306.6A priority Critical patent/CN105631037B/zh
Publication of CN105631037A publication Critical patent/CN105631037A/zh
Application granted granted Critical
Publication of CN105631037B publication Critical patent/CN105631037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像检索方法，包括如下步骤：对被查图像和查询图像进行特征描述；对被查图像和查询图像进行深度学习；用查询图像的特征对被查图像进行相似度度量，得到按相似度排序的反馈列表；利用查询图像和反馈列表中的图像训练样本选取分类器；用样本选取分类器对前n'幅图像及伪负例图像进行分类预测，取g幅最靠近分类面的图像；对反馈列表的前m幅图像以及上一步得到的g幅图像进行标注，得到正图像及负图像；将正图像与查询图像的特征进行融合，用融合后的特征重新进行被查图像相似度度量，得到最终的排序结果。本发明利用主动学习方法实现图像检索中的查询扩展方法，能够在少量用户标注的前提下，实现更准确的图像检索。

Description

一种图像检索方法
技术领域
本发明涉及图像处理领域，尤其涉及一种图像检索方法。
背景技术
目前，基于内容的图像检索方法已经得到了越来越广泛的应用，其中查询扩展方法是提高其查询性能的最有效方法之一，而在查询扩展方法中选择好的扩展图像是重要一步。现有扩展图像的选择方法是在第一次查询的基础上，通过基于特征点的几何验证技术进行扩展图像的选择。这种方法进行的扩展图像选择有扩展图像特征单一、易出错等问题。传统的基于相关反馈的图像检索技术侧重于利用多次相关性反馈的结果构建出一个更好的检索模型。它们一般需要多次反馈和比较大量的人工标注，这会使用户在图像检索的过程中丧失耐心，并不能成为一个好的交互式检索解决方案。
因此，在市场中急需提供一种能够减少用户标注，并且更加准确地实现图像检索的方法。
发明内容
本发明旨在提供一种图像检索方法，以解决目前进行的图像检索过程中出现的扩展图像特征单一、易出错等影响图像检索准确度问题，以及人工标注工作量大的问题。
本发明的发明目的是通过下述技术方案来实现的：
一种图形检索方法，包括如下步骤：
步骤S1：对被查图像库中的被查图像抽取图像特征，并对所述被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述；
步骤S2：利用卷积神经网络AlexNet抽取所述被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述；
步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表；
步骤S4：取查询图像作为正例，步骤S3中的图像查询反馈列表的前n′幅图像以及后n″幅伪负例图像作为无标数据组成训练集，并结合步骤S2得到的深度学习图像特征描述训练得到一个样本选取分类器；
步骤S5：利用步骤S4中得到的样本选取分类器对步骤S3中的图像查询反馈列表的前n′幅图像进行分类预测以形成样本选取分类库，并根据步骤S2得到的深度学习图像特征描述从所述样本选取分类库中取g幅最靠近分类面的图像；
步骤S6：取步骤S3中图像查询反馈列表中的前m幅图像，连同步骤S5中得到的g幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，否则标为负图像；
步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述；
步骤S8：利用步骤S7中所述融合图像特征描述重新对被查图像库中的被查图像进行相似度度量，得到最终的查询结果。
进一步的，所述步骤S1：对被查图像库中的被查图像抽取图像特征，并对被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述，具体包括如下步骤：
步骤S1.1：利用VLFeat开源工具对被查图像库中每个被查图像提取SIFT特征点，将SIFT特征点进行L2归一化处理，随机采样部分特征点，并利用K-Means方法训练D个聚类中心，所有聚类中心构成D维词典；
步骤S1.2：利用上一步得到的D维词典，对被查图像及查询图像进行特征描述，分别得到被查图像及查询图像的D维的特征向量，设Q为查询图像的特征向量，Ii(i＝1,2,…,N)为被查图像的特征向量。
进一步的，所述步骤S2：利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述，具体包括如下步骤：
利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层4096维的图像特征，并进行特征描述，以形成深度学习图像特征描述，得到被查图像深度学习特征向量φi(i＝1,2,…,N)，以及查询图像深度学习特征向量φQ。
进一步的，所述步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表，具体包括如下步骤：
将查询图像的特征向量Q同被查图像的特征向量Ii(i＝1,2,…,N)进行综合比对，利用非对称距离度量查询图像的特征向量Q与被查图像的特征向量Ii(i＝1,2,…,N)的相似度，得到被查图像按相似度从大到小排序的图像查询反馈列表，其中非对称距离度量的计算方法为：
disAS(Q，Ii)＝wQ||Q-min(Q，Ii)||+||Xj-min(Q，Ii)||
其中，wQ为非对称权重。
进一步的，所述步骤S4中，采用PU-Learning方法训练样本选取分类器，所述样本选取分类器参数为：
其中
ΦU＝[φ1，φ2，…，φn′]，
ΦN=[φN-n″+1，φN-n″+2，…，φN]；
π和π*为[0,1]区间内的参数，λ为正则化参数。
进一步的，所述步骤S5中最靠近分类面的图像选取方法为：对步骤S3中的图像查询反馈列表前n′幅图像进行分类预测，得到包含有分类相关度数值Si＝αTφi的样本选取分类库，从样本选取分类库中选取分类相关度数值最接近0的图像。
进一步的，所述步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述，具体包括如下步骤：
将步骤S6中所述正图像对应的特征向量vi(i＝1,2…,z)与查询图像的特征向量Q进行均值特征融合，得到的融合图像特征向量为：
本发明的有益效果：本发明利用主动学习方法实现图像检索中的查询扩展方法，本发明利用第一次检索出的相似度最大的前几幅图像与样本选取分类库中最不确定(最含信息量的)的图像构成反馈标注图像的查询扩展图像的选择方法，相比于传统的相关反馈方法，能够在少量用户标注的前提下，实现更准确的图像检索；同时首次提出将第一次检索出的相似度最小的伪负例图像信息加入到PU-Learning学习的过程中，提高了样本选取分类器的训练精度。
附图说明
图1为本发明所述的一种图像检索方法流程图。
具体实施方式
以下参照附图1，结合具体的实施方式对本发明作进一步的说明。
本发明所述的一种图形检索方法，包括如下步骤：
步骤S1：对被查图像库中的被查图像抽取图像特征，并对被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述。
步骤S2：利用卷积神经网络AlexNet抽取所述被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述。
步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表。
步骤S4：取查询图像作为正例，步骤S3中的图像查询反馈列表的前n′幅图像以及后n″幅伪负例图像作为无标数据组成训练集，并结合步骤S2得到的深度学习图像特征描述训练得到一个样本选取分类器。
样本选取分类器的本质是一个二分类器，它可以用分类的方法来判断被查图像库中的图像是否与查询图像相关。本发明在PU-Learning方法的基础上，额外考虑了将图像查询反馈列表中后n″幅图像作为伪负例信息，从本质上最小化了无标数据错分类的期望，从而能够获取一个准确的二分类器。
步骤S5：利用步骤S4中得到的样本选取分类器对步骤S3中的图像查询反馈列表的前n′幅图像进行分类预测以形成样本选取分类库，并根据步骤S2得到的深度学习图像特征描述从所述样本选取分类库中取g幅最靠近分类面的图像。
步骤S6：取步骤S3中图像查询反馈列表中的前m幅图像，连同步骤S5中得到的g幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，否则标为负图像。
本发明利用第一次检索出的相似度最大的前几幅图像与样本选取分类库中最不确定(最含信息量的)的图像构成反馈标注图像的查询扩展图像的选择方法，相比于传统的相关反馈方法能够更加提高图像检索的精确度。
步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述。
步骤S8：利用步骤S7中所述融合图像特征描述重新对被查图像库中的被查图像进行相似度度量，得到最终的查询结果。
本发明在解决图像查询扩展中，选择更适合让用户标注的扩展图像，实现了在有限的人机交互前提下，达到了更好的扩展图像选择的目的。
实施例
(1)利用VLFeat等开源工具对被查图像库中每个被查图像提取SIFT特征点，将SIFT特征点进行L2归一化处理(即将SIFT特征点的L2模长变为1)，随机采样部分特征点，并利用K-Means方法训练D个聚类中心，所有聚类中心构成D维词典；
(2)利用上一步得到的D维词典，对被查图像及查询图像进行特征描述，分别得到被查图像及查询图像的D维的特征向量，设Q为查询图像的特征向量，Ii(i＝1,2,…,N)为被查图像的特征向量；
(3)利用卷积神经网络AlexNet抽取被查图像的最后一个全连接层4096维的图像特征，并进行特征描述，以形成深度学习图像特征描述，具体包括被查图像深度学习特征向量φi(i＝1,2,…,N)，以及查询图像深度学习特征向量φQ；
(4)将查询图像的特征向量Q同被查图像的特征向量Ii(i＝1,2,…,N)进行综合比对，利用非对称距离度量查询图像的特征向量Q与被查图像的特征向量Ii(i＝1,2,…,N)的相似度，得到各被查图像按相似度从大到小排序的图像查询反馈列表，其中非对称距离度量的计算方法为：
disAS(Q，Ii)＝wQ||Q-min(Q，Ii)||+||Xj-min(Q，Ii)||
其中，wQ为非对称权重；
(5)取查询图像以及上一步得到的相似度排序前200的图像和相似度排序后100幅伪负例图像作为训练集，采用PU-Learning方法训练样本选取分类器，样本选取分类器参数为：
其中
ΦU＝[φ1，φ2，…，φn′]，
ΦN＝[φN-n″+1，φN-n″+2，…，φN]；
π和π*为[0,1]区间内的参数，λ为正则化参数；
(6)利用训练好的样本选取分类器对步骤(4)中相似度排序前200图像进行分类预测，得到包含有分类相关度数值Si＝αTφi的样本选取分类库，从样本选取分类库中选取分类相关度数值最接近0的前25幅图像；
(7)取步骤(4)中相似度排序的前5幅图像，连同上一步得到的25幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，不符合所述查询图像特征描述的标为负图像；
(8)将上一步中的正图像对应的特征向量vi(i＝1,2…,z)与查询图像的特征向量Q进行均值融合，得到融合图像的特征向量
(9)利用非对称距离重新度量步骤(8)中得到的融合图像的特征向量Q′与被查图像的特征向量Ii的相似度，得到新的被查图像相似度大小的排序。
本发明利用主动学习方法实现图像检索中的查询扩展方法，本发明利用第一次检索出的相似度最大的前几幅图像与样本选取分类库中最不确定(最含信息量的)的图像构成反馈标注图像的查询扩展图像的选择方法，相比于传统的相关反馈方法，能够在少量用户标注的前提下，实现更准确的图像检索；同时首次提出将第一次检索出的相似度最小的伪负例图像信息加入到PU-Learning学习的过程中，提高了样本选取分类器的训练精度。
当然应意识到，虽然通过本发明的示例已经进行了前面的描述，但是对本发明做出的将对本领域的技术人员显而易见的这样和其他的改进及改变应认为落入如本文提出的本发明宽广范围内。因此，尽管本发明已经参照了优选的实施方式进行描述，但是，其意并不是使具新颖性的设备由此而受到限制，相反，其旨在包括符合上述公开部分、权利要求的广阔范围之内的各种改进和等同修改。

Claims (7)

1.一种图像检索方法，其特征在于，包括如下步骤：
步骤S1：对被查图像库中的被查图像抽取图像特征，并对所述被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述；
步骤S2：利用卷积神经网络AlexNet抽取所述被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述；
步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表；
步骤S4：取查询图像作为正例，步骤S3中的图像查询反馈列表的前n'幅图像以及后n”幅伪负例图像作为无标数据组成训练集，并结合步骤S2得到的深度学习图像特征描述训练得到一个样本选取分类器；
步骤S5：利用步骤S4中得到的样本选取分类器对步骤S3中的图像查询反馈列表的前n'幅图像进行分类预测以形成样本选取分类库，并根据步骤S2得到的深度学习图像特征描述从所述样本选取分类库中取g幅最靠近分类面的图像；
步骤S6：取步骤S3中图像查询反馈列表中的前m幅图像，连同步骤S5中得到的g幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，否则标为负图像；
步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述；
步骤S8：利用步骤S7中所述融合图像特征描述重新对被查图像库中的被查图像进行相似度度量，得到最终的查询结果。
2.如权利要求1所述的一种图像检索方法，其特征在于，所述步骤S1：对被查图像库中的被查图像抽取图像特征，并对被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述，具体包括如下步骤：
步骤S1.1：利用VLFeat开源工具对被查图像库中每个被查图像提取SIFT特征点，将SIFT特征点进行L2归一化处理，随机采样部分特征点，并利用K-Means方法训练D个聚类中心，所有聚类中心构成D维词典；
步骤S1.2：利用上一步得到的D维词典，对被查图像及查询图像进行特征描述，分别得到被查图像及查询图像的D维的特征向量，设Q为查询图像的特征向量，Ii，i＝1,2,…,N，为被查图像的特征向量。
3.如权利要求2所述的一种图像检索方法，其特征在于，所述步骤S2：利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述，具体包括如下步骤：
利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层4096维的图像特征，并进行特征描述，以形成深度学习图像特征描述，得到被查图像深度学习特征向量φi，i＝1,2,…,N，以及查询图像的深度学习特征向量φQ。
4.如权利要求3所述的一种图像检索方法，其特征在于，所述步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表，具体包括如下步骤：
将查询图像的特征向量Q同被查图像的特征向量Ii，i＝1,2,…,N，进行综合比对，利用非对称距离度量查询图像的特征向量Q与被查图像的特征向量Ii，i＝1,2,…,N，的相似度，得到被查图像按相似度从大到小排序的图像查询反馈列表，其中非对称距离度量的计算方法为：
disAS(Q，Ii)＝wQ||Q-min(Q，Ii)||+||Ii-min(Q，Ii)||
其中，wQ为非对称权重。
5.如权利要求3或4所述的一种图像检索方法，其特征在于，所述步骤S4中，采用PU-Learning方法训练样本选取分类器，所述样本选取分类器参数为：
其中
ΦU＝[φ1，φ2，...，φn′]，
ΦN＝[φN-n″+1，φN-n″+2，...，φN]；
π和π*为[0,1]区间内的参数，λ为正则化参数。
6.如权利要求5所述的一种图像检索方法，其特征在于，所述步骤S5中最靠近分类面的图像选取方法为：对步骤S3中的图像查询反馈列表前n'幅图像进行分类预测，得到包含有分类相关度数值Si＝αTφi的样本选取分类库，从样本选取分类库中选取分类相关度数值最接近0的图像。
7.如权利要求6所述的一种图像检索方法，其特征在于，所述步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述，具体包括如下步骤：
将步骤S6中所述正图像对应的特征向量vi，i＝1,2…,z，与查询图像的特征向量Q进行均值特征融合，得到的融合图像特征向量为：
CN201610022306.6A 2015-12-31 2016-01-13 一种图像检索方法 Active CN105631037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610022306.6A CN105631037B (zh) 2015-12-31 2016-01-13 一种图像检索方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201511028689X 2015-12-31
CN201511028689 2015-12-31
CN201610022306.6A CN105631037B (zh) 2015-12-31 2016-01-13 一种图像检索方法

Publications (2)

Publication Number Publication Date
CN105631037A CN105631037A (zh) 2016-06-01
CN105631037B true CN105631037B (zh) 2019-02-22

Family

ID=56045970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610022306.6A Active CN105631037B (zh) 2015-12-31 2016-01-13 一种图像检索方法

Country Status (1)

Country Link
CN (1) CN105631037B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577687B (zh) * 2016-07-20 2020-10-02 北京陌上花科技有限公司 图像检索方法及装置
CN106886573A (zh) * 2017-01-19 2017-06-23 博康智能信息技术有限公司 一种图像检索方法及装置
CN107168943B (zh) * 2017-04-07 2018-07-03 平安科技（深圳）有限公司 话题预警的方法和装置
CN107908646B (zh) * 2017-10-10 2019-12-17 西安电子科技大学 一种基于分层卷积神经网络的图像检索方法
CN108038122B (zh) * 2017-11-03 2021-12-14 福建师范大学 一种商标图像检索的方法
CN108536769B (zh) * 2018-03-22 2023-01-03 深圳市安软慧视科技有限公司 图像分析方法、搜索方法及装置、计算机装置及存储介质
CN109241316B (zh) * 2018-08-30 2020-10-16 北京旷视科技有限公司 图像检索方法、装置、电子设备及存储介质
CN110322281B (zh) * 2019-06-06 2023-10-27 创新先进技术有限公司 相似用户的挖掘方法及装置
US11947631B2 (en) 2021-05-18 2024-04-02 Sony Group Corporation Reverse image search based on deep neural network (DNN) model and image-feature detection model

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402621A (zh) * 2011-12-27 2012-04-04 浙江大学 一种基于图像分类的图像检索方法
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN104794210A (zh) * 2015-04-23 2015-07-22 山东工商学院 一种结合视觉显著性与短语的图像检索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402621A (zh) * 2011-12-27 2012-04-04 浙江大学 一种基于图像分类的图像检索方法
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN104794210A (zh) * 2015-04-23 2015-07-22 山东工商学院 一种结合视觉显著性与短语的图像检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于组合特征和SVM相关反馈的图像语义检索模型研究";毛彦妮等;《情报科学》;20130430;第31卷(第4期);129-133

Also Published As

Publication number Publication date
CN105631037A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
CN105631037B (zh) 一种图像检索方法
Cetinic et al. A deep learning perspective on beauty, sentiment, and remembrance of art
Panda et al. Weakly supervised summarization of web videos
Jiang et al. Understanding and predicting interestingness of videos
Saito et al. Illustration2vec: a semantic vector representation of illustrations
CN104572651B (zh) 图片排序方法及装置
CN110851645A (zh) 一种基于深度度量学习下相似性保持的图像检索方法
Chatfield et al. Visor: Towards on-the-fly large-scale object category retrieval
CN103473327A (zh) 图像检索方法与***
CN102262642B (zh) 一种Web图像搜索引擎及其实现方法
CN104537028B (zh) 一种网页信息处理方法及装置
CN111222847B (zh) 基于深度学习与非监督聚类的开源社区开发者推荐方法
CN108388639B (zh) 一种基于子空间学习与半监督正则化的跨媒体检索方法
CN105989001B (zh) 图像搜索方法及装置、图像搜索***
CN110866134B (zh) 一种面向图像检索的分布一致性保持度量学习方法
CN105138977A (zh) 一种大数据环境下的人脸识别方法
US8204889B2 (en) System, method, and computer-readable medium for seeking representative images in image set
CN104731882A (zh) 一种基于哈希编码加权排序的自适应查询方法
Li et al. Geo-distinctive visual element matching for location estimation of images
CN106919588A (zh) 一种应用程序搜索***及方法
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
Liu et al. Cross-Class Sample Synthesis for Zero-shot Learning.
CN108984711A (zh) 一种基于分层嵌入的个性化app推荐方法
CN110442736A (zh) 一种基于二次判别分析的语义增强子空间跨媒体检索方法
CN110263207A (zh) 图像搜索方法、装置、设备及计算机可读存储介质

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
CP03 Change of name, title or address

Address after: 100070, 6, building 2, building 3, Ying Ying century East Road, Fengtai District Automotive Museum, Beijing, 701-1

Patentee after: Beijing August melon Technology Co., Ltd

Address before: 100070 No. 2, building 3, building 6, East Road, Fengtai District Automobile Museum, Beijing, 701-1

Patentee before: BEIJING HENGGUAN NETWORK DATA TREATMENT CO., LTD.

CP03 Change of name, title or address
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An image retrieval method

Effective date of registration: 20211222

Granted publication date: 20190222

Pledgee: Bank of Nanjing Limited by Share Ltd. Beijing branch

Pledgor: Beijing August melon Technology Co.,Ltd.

Registration number: Y2021110000106

PE01 Entry into force of the registration of the contract for pledge of patent right