CN108427738B - 一种基于深度学习的快速图像检索方法 - Google Patents
一种基于深度学习的快速图像检索方法 Download PDFInfo
- Publication number
- CN108427738B CN108427738B CN201810171374.8A CN201810171374A CN108427738B CN 108427738 B CN108427738 B CN 108427738B CN 201810171374 A CN201810171374 A CN 201810171374A CN 108427738 B CN108427738 B CN 108427738B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- convolutional
- retrieval
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims abstract description 17
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种基于深度学习的快速图像检索方法,其中,该方法包括:从图像数据库中随机生成两张图像作为网络的输入,一张作为查询图像,一张作为样本图像,其中每张图片都包括对应的类别标签;构建卷积神经网络,该网络包括三组卷积池化层和两组全连接层;利用训练样本集随机组合成数据对根据卷积网络进行训练,得到相应的哈希编码并计算两者之间的欧几里得距离;计算卷积网络输出值的误差函数,对卷积神经网络进行训练,利用反向传播算法和随机梯度下降法更新网络参数;获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果。在本发明实施例中,能够解决现有技术检索速度慢、占用内存空间大、检索结果不精确的问题,大大提高了图像检索的时空效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于深度学习的快速图像检索方法。
背景技术
近年来,由于不同的用户需求,互联网上每天都有成千上万的图片在上传,由于图片数量的增加,用户要找到想要的图片变得极其困难。例如基于语义的图像检索CBIR(Content Based Image Retrieval)是在数据库中检索与给定的查询图像相似的图像。而这里的所说的“相似”可能是语义上的相似,也可能是看上去的相似。假设所有数据集中的图像和被查询的图像都被相应的特征描述子表示成相应的高维度的特征向量。而要找出查询图像最简单的方法就是:根据查询图像和数据集中的图像在特征空间中的距离大小对数据集中的图像进行排序,返回与查询图像距离最近的即可。这种方式可能对仅有几百张的小数据集行得通,但是对于成千上万的图像集,即使是线性的查找,也会消耗很大的时间和和存储空间。
哈希方法可以用来解决高维度特征检索效率低的问题,通过哈希映射,在保存原有数据结构的基础上,将图像映射成简洁的二值表示,例如,由于图像被表示成了二值形式而不是真实的特征向量,所以检索的时空效率会大大提高。而现有的哈希方法的检索的准确率很大程度上依赖于图像用什么样的特征表示,所以哈希方法更适合去解决图像内容相似的检索任务,而不适合语义相似的检索工作。
另一方面,近期,CNN在图像分类,目标检测,人脸识别和其他视觉方面的工作表现出了强大的学习能力。在这些不同工作中,CNN可以被看作是一个特征提取子,在不同的任务中通过不同的目标函数来提取图像的特征。这些不同的任务成功的应用了CNN来描述图像特征,表明CNN有很好的图像表达能力。
早期的很多方法不是端到端的方法,学到的图像表示不能反作用于二值编码的更新,因此并不能完全发挥出深度学习的能力。虽然后期工作有相应的改进,包含语义信息,但是由于在训练过程中没有显式地考虑样本点之间的相对位置关系,并不能保证汉明距离近的点在语义上也相近,因此和最终的检索任务还是有些偏离。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种快速图像检索方法,能够解决现有技术检索速度慢、占用内存空间大、检索结果不精确的问题,大大提高了图像检索的时空效率。
为了解决上述问题,本发明提出了一种基于深度学习的快速图像检索方法,所述方法包括:
从图像数据库中随机生成两张图像作为网络的输入(I1,I2),一张作为查询图像I1,一张作为样本图像I2,其中每张图片都包括对应的类别标签;
构建卷积神经网络,该网络包括三组卷积池化层和两组全连接层;
利用训练样本集随机组合成数据对(I1,I2),根据卷积网络进行训练,得到相应的哈希编码H1、H2,并计算两者之间的欧几里得距离。
计算卷积网络输出值的误差函数,对卷积神经网络进行训练,利用反向传播算法和随机梯度下降法更新网络参数;
获取需要检索的图像,通过训练后的卷积神经网络,获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果。
优选地,所述的该网络包括三组卷积池化层和两组全连接层中所有卷积层的激活函数为线性整流函数。包括:
第一个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个最大池化层,核的大小为3×3,步长为2;
第二个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2;
第三个卷积层包括64个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2
所述的两组全连接层包括:
第一个全连接层包括500个节点;
第二个全连接层包括k个节点,其中k为二值编码的长度。
优选地,进行所述根据卷积网络进行训练的步骤之前,向卷积神经网络随机输入一对图像数据(I1,I2)进行训练,在网络的输出层得到近似的二值化结果后,将输出的结果输入到阈值函数sign(b)中,得到最终的二值编码。
优选地,所述计算卷积网络输出值的误差函数中的损失函数包括三部分,第一项用来惩罚两张相似的图像,第二项用来惩罚两张不相似的图像,其中m>0为一个阈值,第三项为正则项,参数α用来控制该项。假设:如果输入的两张图片相似则为正样本,y=0,否则为负样本,y=1。要保证正样本之间的欧几里得距离尽可能小,而负样本之间的欧几里得距离至少大于阈值m。假定一共有N组随机组成的图像{(Ii1,Ii2|i=1,...,N)},目标就是最小化损失函数:
优选地,所述获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果的步骤主要采用了由粗到细的检索策略。在得到数据集的二值编码后,相当于对数据进行了一个分“桶”的操作,相似的图像有相似的二值表示,分在一个桶中。不相似的图像则有不同的二值编码,分在不同的“桶”中。
优选地,所述获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果的步骤具体包括:获取查询图像的哈希码后,利用二值编码进行粗粒度检索;根据检索的结果分别进入到相应的“桶”中,采用高维度的特征向量进行细粒度检索,并对查询结果进行有小到大的排序。
在本发明实施例中,能够解决现有技术检索速度慢、占用内存空间大、检索结果不精确的问题,大大提高了图像检索的时空效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,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是本发明实施例的一种基于深度学习的快速图像检索方法的流程示意图;
图2是本发明实施例的一种基于深度学习的快速图像检索方法中卷积神经网络的结构示意图;
图3是本发明实施例的一种基于深度学习的快速图像检索方法中分步检索的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的一种基于深度学习的快速图像检索方法的流程示意图,如图1所示,该方法包括:
S1,从图像数据库中随机生成两张图像作为网络的输入(I1,I2),一张作为查询图像I1,一张作为样本图像I2,其中每张图片都包括对应的类别标签;
S2,构建卷积神经网络,该网络包括三组卷积池化层和两组全连接层;
S3,利用训练样本集随机组合成数据对(I1,I2),根据卷积网络进行训练,得到相应的哈希编码H1、H2,并计算两者之间的欧几里得距离。
S4,计算卷积网络输出值的误差函数,对卷积神经网络进行训练,利用反向传播算法和随机梯度下降法更新网络参数;
S5,获取需要查询的图像,通过训练后的卷积神经网络,获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果。
如图2所示,对S2作进一步说明:
所述的该网络包括三组卷积池化层和两组全连接层中所有卷积层的激活函数为线性整流函数。包括:
第一个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个最大池化层,核的大小为3×3,步长为2;
第二个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2;
第三个卷积层包括64个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2
所述的两组全连接层包括:
第一个全连接层包括500个节点;
第二个全连接层包括k个节点,其中k为二值编码的长度。
进一步地,进行S3步骤之前,向卷积神经网络随机输入一对图像数据(I1,I2)进行训练,在网络的输出层得到近似的二值化结果后,将输出的结果输入到阈值函数sign(b)中,得到最终的二值编码。
对S4作进一步地说明:
S4中损失函数包括三部分,第一项用来惩罚两张相似的图像,第二项用来惩罚两张不相似的图像,其中m>0为一个阈值,第三项为正则项,参数α用来控制该项。假设:如果输入的两张图片相似则为正样本,y=0,否则为负样本,y=1。要保证正样本之间的欧几里得距离尽可能小,而负样本之间的欧几里得距离至少大于阈值m。假定一共有N组随机组成的图像{(Ii1,Ii2|i=1,...,N)},目标就是最小化损失函数:
进一步地,S4中,假设Ω为RGB空间,我们将Ω映射成一个k-bit的二值表达式:F:Ω->{-1,1}k。其中,k是网络最后输出的维数。保证相似的图片有相似的二值表示,不同的图片有不同的二值表示。如此能有效地改善在训练中梯度消失的现象。
对S5作进一步说明:
所述获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果的步骤主要采用了由粗到细的检索策略。在得到数据集的二值编码后,相当于对数据进行了一个分“桶”的操作,相似的图像有相似的二值表示,分在一个桶中。不相似的图像则有不同的二值编码,分在不同的“桶”中。
如图3所示,S5进一步包括:
获取查询图像的哈希码后,利用二值编码进行粗粒度检索;根据检索的结果分别进入到相应的“桶”中,采用高维度的特征向量进行细粒度检索,并对查询结果进行有小到大的排序。由此,这种分步检索策略大大地提高了检索的速率。
在本发明实施例中,能够解决现有技术检索速度慢、占用内存空间大、检索结果不精确的问题,大大提高了图像检索的时空效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于深度学习的快速图像检索方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于深度学习的快速图像检索方法,其特征在于,所述方法包括:
从图像数据库中随机生成两张图像作为网络的输入(I1,I2),一张作为查询图像I1,一张作为样本图像I2,其中每张图片都包括对应的类别标签;
构建卷积神经网络,该网络包括三组卷积池化层和两组全连接层;
利用训练样本集随机组合成数据对(I1,I2),根据卷积网络进行训练,得到相应的哈希编码H1、H2,并计算两者之间的欧几里得距离;
计算卷积网络输出值的误差函数,对卷积神经网络进行训练,利用反向传播算法和随机梯度下降法更新网络参数;
获取需要检索的图像,通过训练后的卷积神经网络,获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果;
其中,所述计算卷积网络输出值的误差函数中的损失函数包括三部分,第一项用来惩罚两张相似的图像,第二项用来惩罚两张不相似的图像,其中m>0为一个阈值,第三项为正则项,参数α用来控制该项;如果输入的两张图片相似则为正样本,y=0,否则为负样本,y=1;其中要保证正样本之间的欧几里得距离尽可能小,而负样本之间的欧几里得距离至少大于阈值m,假定一共有N组随机组成的图像{(Ii1,Ii2|i=1,...,N)},目标就是最小化损失函数:
2.根据权利要求1所述的一种基于深度学习的快速图像检索方法,其特征在于,所述的该网络包括三组卷积池化层和两组全连接层中所有卷积层的激活函数为线性整流函数,具体包括:
第一个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个最大池化层,核的大小为3×3,步长为2;
第二个卷积层包括32个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2;
第三个卷积层包括64个特征图,卷积核的大小为5×5,步长为1,之后为一个平均池化层,核的大小为3×3,步长为2
所述的两组全连接层包括:
第一个全连接层包括500个节点;
第二个全连接层包括k个节点,其中k为二值编码的长度。
3.根据权利要求2所述的一种基于深度学习的快速图像检索方法,其特征在于,进行所述根据卷积网络进行训练的步骤之前,向卷积神经网络随机输入一对图像数据(I1,I2)进行训练,在网络的输出层得到近似的二值化结果后,将输出的结果输入到阈值函数sign(b)中,得到最终的二值编码。
4.根据权利要求1所述的一种基于深度学习的快速图像检索方法,其特征在于,所述获得训练数据集的二值编码后,对其按欧几里得距离从小到大排序,按顺序输出检索结果的步骤具体包括:获取查询图像的哈希码后,利用二值编码进行粗粒度检索;根据检索的结果分别进入到相应的“桶”中,采用高维度的特征向量进行细粒度检索,并对查询结果进行有小到大的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171374.8A CN108427738B (zh) | 2018-03-01 | 2018-03-01 | 一种基于深度学习的快速图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171374.8A CN108427738B (zh) | 2018-03-01 | 2018-03-01 | 一种基于深度学习的快速图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427738A CN108427738A (zh) | 2018-08-21 |
CN108427738B true CN108427738B (zh) | 2022-03-25 |
Family
ID=63157351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810171374.8A Active CN108427738B (zh) | 2018-03-01 | 2018-03-01 | 一种基于深度学习的快速图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427738B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189973B (zh) * | 2018-08-30 | 2021-07-30 | 清华大学 | 基于策略梯度的大规模图像检索方法及装置 |
CN109241317B (zh) * | 2018-09-13 | 2022-01-11 | 北京工商大学 | 基于深度学习网络中度量损失的行人哈希检索方法 |
CN109726746B (zh) * | 2018-12-20 | 2021-02-26 | 浙江大华技术股份有限公司 | 一种模板匹配的方法及装置 |
CN109753582A (zh) * | 2018-12-27 | 2019-05-14 | 西北工业大学 | 基于Web和数据库的海量光电舰船图像快速检索的方法 |
CN109829065B (zh) * | 2019-03-08 | 2023-08-18 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN109918532B (zh) * | 2019-03-08 | 2023-08-18 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN110084790B (zh) * | 2019-04-17 | 2020-11-17 | 电子科技大学成都学院 | 用于影像学肺炎判别的仿生模式识别改进方法 |
CN110222218B (zh) * | 2019-04-18 | 2021-07-09 | 杭州电子科技大学 | 基于多尺度NetVLAD和深度哈希的图像检索方法 |
CN110083729B (zh) * | 2019-04-26 | 2023-10-27 | 北京金山数字娱乐科技有限公司 | 一种图像搜索的方法及*** |
CN110796182A (zh) * | 2019-10-15 | 2020-02-14 | 西安网算数据科技有限公司 | 一种少量样本的票据分类方法及*** |
CN110851645B (zh) * | 2019-11-08 | 2022-09-13 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
CN111143588B (zh) * | 2019-12-27 | 2023-08-15 | 中科星图股份有限公司 | 一种基于机器学习的图像时空索引快速检索方法 |
CN111198964B (zh) * | 2020-01-10 | 2023-04-25 | 中国科学院自动化研究所 | 图像检索方法及*** |
CN111522985B (zh) * | 2020-04-21 | 2023-04-07 | 易拍全球(北京)科贸有限公司 | 基于深浅层特征提取与融合的古董艺术品图像检索方法 |
CN111709787B (zh) * | 2020-06-18 | 2023-08-22 | 抖音视界有限公司 | 用于生成用户留存时间的方法、装置、电子设备和介质 |
CN113343019B (zh) * | 2021-06-29 | 2022-11-18 | 华南理工大学 | 一种结合浅层与深层特征的小样本丝织品图像检索方法 |
CN117390515B (zh) * | 2023-11-01 | 2024-04-12 | 江苏君立华域信息安全技术股份有限公司 | 基于深度学习和SimHash的数据分类方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11275747B2 (en) * | 2015-03-12 | 2022-03-15 | Yahoo Assets Llc | System and method for improved server performance for a deep feature based coarse-to-fine fast search |
CN104834748B (zh) * | 2015-05-25 | 2018-08-03 | 中国科学院自动化研究所 | 一种利用基于深度语义排序哈希编码的图像检索方法 |
CN105512289B (zh) * | 2015-12-07 | 2018-08-14 | 郑州金惠计算机***工程有限公司 | 基于深度学习和哈希的图像检索方法 |
CN106503106B (zh) * | 2016-10-17 | 2019-10-18 | 北京工业大学 | 一种基于深度学习的图像哈希索引构建方法 |
CN106909924B (zh) * | 2017-02-18 | 2020-08-28 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107330074B (zh) * | 2017-06-30 | 2020-05-26 | 中国科学院计算技术研究所 | 基于深度学习和哈希编码的图像检索方法 |
-
2018
- 2018-03-01 CN CN201810171374.8A patent/CN108427738B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108427738A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427738B (zh) | 一种基于深度学习的快速图像检索方法 | |
Wang et al. | Enhancing sketch-based image retrieval by cnn semantic re-ranking | |
WO2022068196A1 (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
US10776685B2 (en) | Image retrieval method based on variable-length deep hash learning | |
CN112507898B (zh) | 一种基于轻量3d残差网络和tcn的多模态动态手势识别方法 | |
CN109635150B (zh) | 文本生成方法、装置以及存储介质 | |
CN112131920B (zh) | 用于扫描图像中的表格信息的数据结构生成 | |
RU2693916C1 (ru) | Распознавание символов с использованием иерархической классификации | |
CN111914085A (zh) | 文本细粒度情感分类方法、***、装置及存储介质 | |
CN113076465A (zh) | 一种基于深度哈希的通用跨模态检索模型 | |
CN110210468B (zh) | 一种基于卷积神经网络特征融合迁移的文字识别方法 | |
CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN108399185B (zh) | 一种多标签图像的二值向量生成方法及图像语义相似度查询方法 | |
CN113157886B (zh) | 一种自动问答生成方法、***、终端及可读存储介质 | |
CN114358188A (zh) | 特征提取模型处理、样本检索方法、装置和计算机设备 | |
CN114461839B (zh) | 基于多模态预训练的相似图片检索方法、装置及电子设备 | |
CN111581368A (zh) | 一种基于卷积神经网络的面向智能专家推荐的用户画像方法 | |
WO2021169453A1 (zh) | 用于文本处理的方法和装置 | |
CN111461175A (zh) | 自注意与协同注意机制的标签推荐模型构建方法及装置 | |
CN114528912A (zh) | 基于渐进式多模态融合网络的虚假新闻检测方法及*** | |
CN110347853B (zh) | 一种基于循环神经网络的图像哈希码生成方法 | |
CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
WO2023272994A1 (zh) | 基于深度学习网络的行人重识别方法、装置、设备及介质 | |
CN114329181A (zh) | 一种题目推荐方法、装置及电子设备 | |
CN112287140A (zh) | 一种基于大数据的图像检索方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
OL01 | Intention to license declared | ||
OL01 | Intention to license declared |