CN113987250A - 一种适用于大规模图像库的相似图像检索方法及装置 - Google Patents
一种适用于大规模图像库的相似图像检索方法及装置 Download PDFInfo
- Publication number
- CN113987250A CN113987250A CN202111130666.5A CN202111130666A CN113987250A CN 113987250 A CN113987250 A CN 113987250A CN 202111130666 A CN202111130666 A CN 202111130666A CN 113987250 A CN113987250 A CN 113987250A
- Authority
- CN
- China
- Prior art keywords
- image
- library
- feature
- features
- input
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种适用于大规模图像的相似图像检索方法和装置,属于图像检索技术领域。方法包括:获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;计算输入图像的图像特征与图像特征库中图像特征的欧式距离;根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。本发明利用深度残差神经网络实现图像特征的提取,并基于所提取的特征进行图像相似度计算,能够提升图像检索效率。
Description
技术领域
本发明涉及图像检索技术领域,特别是一种适用于大规模图像库的相似图像检索方法及装置。
背景技术
相似图像检索是计算机视觉、图像处理、人工智能等领域的一项重要技术,如何从大规模图像数据库中快速且准确的找到与输入图像相似的图像,是一个亟需解决的实际问题。
现有技术中,通常采用感知哈希算法、基于局部不变性的图像相似度匹配算法等。感知哈希算法一般是经过压缩图像尺寸、灰度化处理、计算hash值、计算汉明距离等流程,最后判断图像是否相似,但此方法抗干扰能力弱,准确度较低,无法满足实际业务需求。基于局部不变性的图像相似度匹配算法具有较强的抗干扰能力,但需要图像间两两进行特征点匹配计算,复杂度高,效率低,无法满足大规模图像检索的问题。
发明内容
本发明的目的是提供一种适用于大规模图像库的相似图像检索方法及装置,利用深度残差神经网络实现图像特征的提取,并基于所提取的特征进行图像相似度计算,提升图像检索效率。本发明采用的技术方案如下。
一方面,本发明提供一种相似图像检索方法,包括:
获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
可选的,方法还包括:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。则每次检索的图像在后续可作为其他检索需求的目标图像。
可选的,方法还包括:
接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
判断当前是否存在图像特征库,若不存在,则基于当前图像库中的目标图像构建图像特征库;若已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
以上方案,本发明能够实现对图像特征库和图像库的主动更新,以及图像特征库的初始构建。
可选的,所述图像特征库的构建方法包括:
获取目标图像;
利用所述特征提取神经网络对目标图像进行特征提取,基于提取到的图像特征构建图像特征库。
可选的,所述预先训练的特征提取神经网络采用深度残差神经网络,通过对resnet18网络进行调整得到;其中,对resnet18网络的调整包括:去掉resnet18网络用于图像分类的全连接层,保留特征提取层;
深度残差神经网络的输出为512维特征向量。
可选的,所述深度残差神经网络采用ImageNet图像识别数据库中的图像作为训练样本进行的预先训练。
可选的,所述输入图像的特征提取结果,以及图像特征库中的图像特征,分别以矩阵形式表示,矩阵的行和列分别表示图像的数量和单个图像所有特征的维数。
可选的,所述基于深度残差神经网络输出的图像特征,对输入图像与图像库中图像计算图像相似度为,计算输入图像的图像特征与图像特征库中图像特征的欧式距离。
可选的,所述计算输入图像的图像特征与图像特征库中图像特征的欧式距离,采用以下公式:
式中,EDist(A,B)代表输入图像的图像特征与图像库中所有图像的图像特征之间的欧式距离矩阵,A表示输入图像的图像特征矩阵,B表示图像特征库的图像特征矩阵,A的维数为n*f,B的维数为t*f,t为图像库中图像数量,n为输入图像数量,f为深度残差神经网络输出的特征向量维数,1f×t为元素全为1的f*t维的矩阵,1f×n为元素全为1的f*n维的矩阵。
以上方案,基于欧式距离矩阵的相似度计算方式,使得本发明能够适用于大规模图像的相似度检索计算,计算负荷较小,检索效率可得到提高。
可选的,所述根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的图像,包括:
查找欧式距离矩阵中元素值小于相似度阈值的元素,该元素对应的输入图像与图像库图像两者即为相似图像。
以上方案即,例如EDist(A,B)第2行,第3列小于相似度阈值,则说明第3个待匹配的输入图像与图像库中的第2个图像相似,最后即可获得图像库中与每个待匹配输入图像相似的图像。
第二方面,本发明提供一种相似图像检索装置,包括:
数据获取模块,被配置用于获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
图像特征提取模块,被配置用于利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
相似度计算模块,被配置用于计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
以及,相似图像确定模块,被配置用于根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
可选的,相似图像检索装置还包括图像特征库更新模块,其被配置用于:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。
可选的,相似图像检索装置中,数据获取模块还被配置用于:接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
相似图像检索装置还包括图像特征库构建模块,其被配置用于:若接收到目标图像时当前不存在图像特征库,则基于当前图像库中的目标图像构建图像特征库;
所述图像特征库更新模块还被配置用于:若接收到目标图像时已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
有益效果
本发明结合了深度残差神经网络及基于图像特征的相似度计算方法的优点,克服了单纯基于特征点匹配的相似图像检索在大规模图像库中耗时久的缺点。输入图像及目标图像均采用深度残差神经网络提取图像特征,构建涵盖多样本的多维图像特征矩阵,并基于欧式距离计算输入图像特征与图像特征库中图像特征的相似度,进而确定输入图像的相似图像,能够实现在大规模图像库中快速、准确检索出相似图像,对于在大规模图像库中检索、查重等应用中具有重要的实际意义。
附图说明
图1所示为本发明相似图像检索方法的一种实施方式流程示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种相似图像检索方法,包括:
获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
为了实现图像库和图像特征库的扩展,本实施例方法还包括:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。则每次检索的图像在后续可作为其他检索需求的目标图像。
为了实现图像特征库的初始构建和后续更新,本实施例方法还包括:
接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
判断当前是否存在图像特征库,若不存在,则基于当前图像库中的目标图像构建图像特征库;若已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
参考图1所示,以下具体介绍本实施例相似图像检索方法的内容。
一、特征提取神经网络的构建和训练
本实施例中,特征提取神经网络采用深度残差神经网络,其在resnet18网络基础上进行适当调整,具体的,调整包括:去掉resnet18用于图像分类的全连接层,只保留其特征提取层,使神经网络的输出为512维的特征向量。
对于调整后的深度残差神经网络,使用图像识别数据库ImageNet进行特征提取训练。
二、图像库和图像特征库的构建和更新
图像库基于外部输入的目标图像构建和更新,当外部输入目标图像时,将目标图像存储至图像库,判断当前是否存在图像特征库,若不存在,则基于当前图像库中的目标图像构建图像特征库;若已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
可使用Python中的numpy.load方法将当前图像特征库文件载入内存,然后对新入库图像使用深度残差神经网络进行特征提取,最后合并原图像特征库与新提取的特征,并使用numpy.save方法保存为新图像特征库文件。
在每次图像检索后,还可将相应输入图像的图像特征与图像特征库的图像特征进行合并,并将输入图像并入图像库,从而更新图像库和图像特征库。
图像特征库的构建方法为:利用特征提取神经网络对图像库中的目标图像进行特征提取,基于提取到的图像特征构建图像特征库。假设图像库中有n个图像,对图像库中的每个图像使用深度残差神经网络进行特征提取,即得到n*512特征矩阵,后续可调用Python中的numpy.save方法将特征矩阵序列化为文件进行存储。
三、图像检索应用
获取输入图像数据和图像特征库数据
对输入图像利用深度残差神经网络进行特征提取,将输入图像的特征提取结果,以及图像特征库中的图像特征,分别以矩阵形式表示,矩阵的行和列分别表示图像的数量和单个图像所有特征的维数。
输入图像的特征提取结果,以及图像特征库中的图像特征,分别以矩阵形式表示,矩阵的行和列分别表示图像的数量和单个图像所有特征的维数。
对输入图像与图像库中图像计算图像相似度,即计算输入图像的图像特征与图像特征库中图像特征的欧式距离,公式如下:
式中,EDist(A,B)代表输入图像的图像特征与图像库中所有图像的图像特征之间的欧式距离矩阵,A表示输入图像的图像特征矩阵,B表示图像特征库的图像特征矩阵,A的维数为n*f,B的维数为t*f,t为图像库中图像数量,n为输入图像数量,f为深度残差神经网络输出的特征向量维数,1f×t为元素全为1的f*t维的矩阵,1f×n为元素全为1的f*n维的矩阵。
查找欧式距离矩阵中元素值小于相似度阈值的元素,该元素对应的输入图像与图像库图像两者即为相似图像。例如第2行,第3列小于阈值,说明第3个输入图像和图像库中的第2个图像相似,最后即可获得每个输入图像与图像库中相似的图像。
经试验对比,本发明实施例与常规基于特征点匹配的相似图像判断方法的性能比较如下表所示(单位秒):
可见,本发明结合深度残差神经网络及大批量数据相似度计算方法的优点,克服了基于特征点匹配的相似图像检索在大规模图像库中耗时久的缺点,以图像特征提取和样本间相似度度量矩阵化批量计算作为方法核心,实现了在大规模图像库中快速、准确检索出相似图像。
实施例2
与实施例1基于相同的发明构思,本实施例介绍一种相似图像检索装置,包括:
数据获取模块,被配置用于获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
图像特征提取模块,被配置用于利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
相似度计算模块,被配置用于计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
相似图像确定模块,被配置用于根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
以上各功能模块的具体功能实现参考实施例1的相关内容。
本实施例中相似图像检索装置还包括图像特征库构建模块和图像特征库更新模块。
相似图像检索装置中,数据获取模块还被配置用于:接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
图像特征库构建模块被配置用于:若接收到目标图像时当前不存在图像特征库,则基于当前图像库中的目标图像构建图像特征库;
图像特征库更新模块被配置用于:若接收到目标图像时已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
此外,图像特征库更新模块还被配置用于:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。
综上实施例,本发明利用深度残差神经网络实现图像特征的提取,构建覆盖多样本的多维图像特征矩阵,并利用基于欧式距离的相似度计算方法,计算输入图像与目标图像的相似度,进而基于相似度阈值确定输入图像的相似图像。方法能够适用于多输入图像与多目标图像的快速检索匹配,大大提升检索效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (13)
1.一种相似图像检索方法,其特征是,包括:
获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
2.根据权利要求1所述的方法,其特征是,还包括:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。
3.根据权利要求1或2所述的方法,其特征是,还包括:
接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
判断当前是否存在图像特征库,若不存在,则基于当前图像库中的目标图像构建图像特征库;若已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
4.根据权利要求3所述的方法,其特征是,所述图像特征库的构建方法包括:
获取目标图像;
利用所述特征提取神经网络对目标图像进行特征提取,基于提取到的图像特征构建图像特征库。
5.根据权利要求1所述的方法,其特征是,所述预先训练的特征提取神经网络采用深度残差神经网络,通过对resnet18网络进行调整得到;其中,对resnet18网络的调整包括:去掉resnet18网络用于图像分类的全连接层,保留特征提取层;
深度残差神经网络的输出为512维特征向量。
6.根据权利要求5所述的方法,其特征是,所述深度残差神经网络采用ImageNet图像识别数据库中的图像作为训练样本进行的预先训练。
7.根据权利要求1所述的方法,其特征是,输入图像的特征提取结果,以及图像特征库中的图像特征,分别以矩阵形式表示,矩阵的行和列分别表示图像的数量和单个图像所有特征的维数。
8.根据权利要求7所述的方法,其特征是,所述基于深度残差神经网络输出的图像特征,对输入图像与图像库中图像计算图像相似度为,计算输入图像的图像特征与图像特征库中图像特征的欧式距离。
10.根据权利要求9所述的方法,其特征是,所述根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的图像,包括:
查找欧式距离矩阵中元素值小于相似度阈值的元素,该元素对应的输入图像与图像库图像两者即为相似图像。
11.一种相似图像检索装置,其特征是,包括:
数据获取模块,被配置用于获取输入图像数据以及图像特征库数据,其中,图像特征库中的图像特征数据为利用预先训练的特征提取神经网络对预设图像库中的目标图像进行图像特征提取得到;
图像特征提取模块,被配置用于利用所述特征提取神经网络对输入图像数据中的各输入图像提取图像特征;
相似度计算模块,被配置用于计算输入图像的图像特征与图像特征库中图像特征的欧式距离;
以及,相似图像确定模块,被配置用于根据计算得到的欧式距离,以及预先设定的相似度阈值,确定图像库中与输入图像相似的目标图像。
12.根据权利要求11所述的相似图像检索装置,其特征是,相似图像检索装置还包括图像特征库更新模块,其被配置用于:将输入图像的图像特征数据与图像特征库中的图像特征数据进行合并,得到更新的图像特征库;将输入图像存储至图像库。
13.根据权利要求11所述的相似图像检索装置,其特征是,相似图像检索装置中,数据获取模块还被配置用于:接收外部输入的用于更新或构建图像特征库的目标图像,将接收到的目标图像存储至图像库;
相似图像检索装置还包括图像特征库构建模块,其被配置用于:若接收到目标图像时当前不存在图像特征库,则基于当前图像库中的目标图像构建图像特征库;
所述图像特征库更新模块还被配置用于:若接收到目标图像时已存在图像特征库,则利用特征提取神经网络对接收到的目标图像提取图像特征,将提取到的图像特征与图像特征库中的图像特征进行合并,得到更新后的图像特征库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130666.5A CN113987250A (zh) | 2021-09-26 | 2021-09-26 | 一种适用于大规模图像库的相似图像检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130666.5A CN113987250A (zh) | 2021-09-26 | 2021-09-26 | 一种适用于大规模图像库的相似图像检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987250A true CN113987250A (zh) | 2022-01-28 |
Family
ID=79736759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111130666.5A Pending CN113987250A (zh) | 2021-09-26 | 2021-09-26 | 一种适用于大规模图像库的相似图像检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987250A (zh) |
-
2021
- 2021-09-26 CN CN202111130666.5A patent/CN113987250A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815364B (zh) | 一种海量视频特征提取、存储和检索方法及*** | |
CN108154198B (zh) | 知识库实体归一方法、***、终端和计算机可读存储介质 | |
CN106951484B (zh) | 图片检索方法及装置、计算机设备及计算机可读介质 | |
CN111177438B (zh) | 图像特征值的搜索方法、装置、电子设备及存储介质 | |
CN112417381B (zh) | 应用于图像版权保护的快速定位侵权图像的方法及装置 | |
US9569698B2 (en) | Method of classifying a multimodal object | |
CN113361645B (zh) | 基于元学习及知识记忆的目标检测模型构建方法及*** | |
CN112132279B (zh) | 卷积神经网络模型压缩方法、装置、设备及存储介质 | |
CN109919084B (zh) | 一种基于深度多索引哈希的行人重识别方法 | |
CN106033426A (zh) | 一种基于潜在语义最小哈希的图像检索方法 | |
CN109871749B (zh) | 一种基于深度哈希的行人重识别方法和装置、计算机*** | |
CN108763295A (zh) | 一种基于深度学习的视频近似拷贝检索算法 | |
CN110442749B (zh) | 视频帧处理方法及装置 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
CN115098717A (zh) | 三维模型检索方法、装置、电子设备及存储介质 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN116958724A (zh) | 一种产品分类模型的训练方法和相关装置 | |
CN113987250A (zh) | 一种适用于大规模图像库的相似图像检索方法及装置 | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
CN115641395A (zh) | 一种基于互信息的图文对齐方法 | |
CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
CN115292533A (zh) | 视觉定位驱动的跨模态行人检索方法 | |
CN114491130A (zh) | 图片检索方法、装置以及计算机可读存储介质 | |
CN115129915A (zh) | 重复图像检索方法、装置、设备及存储介质 | |
CN115587297A (zh) | 构建图像识别模型和图像识别的方法、装置、设备及介质 |
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 |