CN116881485A - 生成图像检索索引的方法及装置、电子设备和介质 - Google Patents
生成图像检索索引的方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116881485A CN116881485A CN202310728813.1A CN202310728813A CN116881485A CN 116881485 A CN116881485 A CN 116881485A CN 202310728813 A CN202310728813 A CN 202310728813A CN 116881485 A CN116881485 A CN 116881485A
- Authority
- CN
- China
- Prior art keywords
- image
- cluster
- similarity
- similarities
- association
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种生成图像检索索引的方法、装置、电子设备、计算机可读存储介质和计算机程序产品,涉及人工智能领域,尤其涉及图像识别、大数据技术领域,可应用在智慧城市、城市治理和应急管理场景下。实现方案为:获取第一图像和图像簇集合,其中,图像簇集合包括多个第一图像簇,每个第一图像簇被用于图像检索的索引;对第一图像进行特征提取,以得到第一图像特征;计算第一图像特征与每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;根据多个第一相似度确定图簇关系,其中,图簇关系指示第一图像与每个第一图像簇之间是否存在关联关系;以及根据第一图像特征和图簇关系更新图像簇集合,以更新每个第一图像簇的簇特征。
Description
技术领域
本公开涉及人工智能领域,尤其涉及图像识别、大数据技术领域,可应用在智慧城市、城市治理、应急管理场景下,具体涉及一种生成图像检索索引的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中,对图像数据库中的图像数据进行聚类,以将聚类生成的图像簇作为图像检索的索引。
发明内容
本公开提供了一种生成图像检索索引的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种生成图像检索索引的方法,包括:获取第一图像和图像簇集合,其中,所述图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,所述多个第一图像簇中的每个第一图像簇被用于图像检索的索引;对所述第一图像进行特征提取,以得到第一图像特征;计算所述第一图像特征与所述每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;根据所述多个第一相似度确定图簇关系,其中,所述图簇关系指示所述第一图像与所述每个第一图像簇之间是否存在关联关系;以及根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇。
根据本公开的另一方面,提供了一种生成图像检索索引的装置,包括:获取单元,被配置为获取第一图像和图像簇集合,其中,所述图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,所述多个第一图像簇中的每个第一图像簇被用于图像检索的索引;特征单元,被配置为对所述第一图像进行特征提取,以得到第一图像特征;计算单元,被配置为计算所述第一图像特征与所述每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;确定单元,被配置为根据所述多个第一相似度确定图簇关系,其中,所述图簇关系指示所述第一图像与所述每个第一图像簇之间是否存在关联关系;以及更新单元,被配置为根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的一个或多个实施例,提供了一种流式的图像检索索引生成方法。具体而言,对于通过多个第二图像聚类得到的多个第一图像簇,在每次引入新的第一图像时,都基于该第一图像的图像特征来从中确定相似度较高的第一图像簇以进行更新,并因此更新相应的图像检索索引,使得随着新图像数据的引入,用于图像检索的索引也动态变化,提高了图像检索的准确性和效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的生成图像检索索引的方法的示例性流程图;
图3示出了根据本公开的实施例的生成图像检索索引的方法的部分示例性流程图;
图4示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图;
图5示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图;
图6示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图;
图7示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图;
图8示出了根据本公开的实施例的生成图像检索索引的装置的结构框图;以及
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行生成图像检索索引的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来生成图像检索索引。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如图像文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
相关技术中,通过对图像数据库中的历史图像进行图像聚类来生成多个图像簇,并将每个图像簇作为图像检索的索引。此时,每个图像簇都包括至少一个历史图像,因此,可以先根据目标图像和索引(簇特征)的相似度确定出目标图像簇,再通过计算目标图像和目标图像簇中每个历史图像的相似度来检索与目标图像的相似度较高的历史图像。
然而,此种方式中,每个图像簇的簇特征(索引)一旦生成就固定不变,难以适应对特征多变的海量图像数据的进行图像检索的场景。
为此,图2示出了根据本公开的实施例的生成图像检索索引的方法的示例性流程图。可以利用图1中示出的客户端或服务器实现图2中的方法200。
如图2所示,根据本公开的实施例提供了一种生成图像检索索引的方法200,包括:获取第一图像和图像簇集合,其中,图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,多个第一图像簇中的每个第一图像簇被用于图像检索的索引(步骤210);对第一图像进行特征提取,以得到第一图像特征(步骤220);计算第一图像特征与每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度(步骤230);根据多个第一相似度确定图簇关系,其中,图簇关系指示第一图像与每个第一图像簇之间是否存在关联关系(步骤240);以及根据第一图像特征和图簇关系更新图像簇集合中的至少一个第一图像簇(步骤250)。
作为一种流式的图像检索索引生成方法,针对通过多个第二图像聚类得到的多个第一图像簇,在每次引入新的第一图像时,都基于该第一图像的图像特征来从中确定相似度较高的第一图像簇以进行更新,并因此更新相应的图像检索索引,使得随着新图像数据的引入,用于图像检索的索引也动态变化,提高了图像检索的准确性和效率。
在步骤210,获取第一图像和图像簇集合。图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,多个第一图像簇中的每个第一图像簇被用于图像检索的索引。
在一些实施例中,第一图像包括需要对其进行图像检索的图像,从而能够在进行图像检索的同时不断引入新的图像数据,以更新用于图像检索的索引。
在一些实施例中,每个第一图像簇被用于图像检索的索引,该第一图像簇的簇特征作为索引的符号,该第一图像簇所包括的第二图像用于指示数据关系,即,根据该索引符号能够查找到的图像数据。
在一些实施例中,多个第二图像可以是针对同一场景类型的图像数据,也可以是针对不同场景类型的图像数据。例如,多个第二图像可以包括人脸图像,从而能够针对特定的人脸场景进行图像检索;又如,多个第二图像可以包括人物图像、动物图像和道路图像,从而能够针对不特定的多类型场景进行图像检索。
在一些实施例中,可以采用K-means聚类方法对多个第二图像进行聚类,以生成上述多个第一图像簇。可理解的,也可以采用其他类型的聚类方法生成上述多个第一图像簇,对此不作限制。
在一些实施例中,聚类得到的每个第一图像簇包括多个第二图像中的至少一个第二图像。在一个示例中,可以将该第一图像簇包括的至少一个第二图像的图像特征的均值作为该第一图像簇的簇特征。
在一些实施例中,图像簇集合中不同的第一图像簇可以包括一个或多个相同的第二图像。
在步骤220,对第一图像进行特征提取,以得到第一图像特征。
在一些实施例中,可以使用图像特征提取模型对第一图像进行特征提取,上述图像特征提取模型可以基于DNN、CNN、LSTM等神经网络进行构建。可理解的,上述图像特征提取模型也可以采用其他类型的网络结果,对此不作限制。
在步骤230,计算第一图像特征与每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度。
在一些实施例中,上述第一相似度包括但不限于余弦相似度、直方图距离、基于哈希算法的相似度和SSIM(Structure Similarity Index Measure,结构相似度)。可理解的,上述第一相似度也可以采用其他类型的图像相似度,对此不作限制。
在步骤240,根据多个第一相似度确定图簇关系。图簇关系指示第一图像与每个第一图像簇之间是否存在关联关系。
在一些实施例中,上述关联关系可以指示是否将第一图像加入存在关联关系的第一图像簇中。在另一些实施例中,上述关联关系还可以进一步指示第一图像加入存在关联关系的第一图像簇后是否会对该第一图像簇的簇特征产生影响。
在步骤250,根据第一图像特征和图簇关系更新图像簇集合中的至少一个第一图像簇。
在一些实施例中,步骤250可以包括根据第一图像特征和图簇关系更新图像簇集合中至少一个第一图像簇的簇特征。在另一些实施例中,步骤250还可以包括将第一图像加入图像簇集合中的至少一个第一图像簇,但不更新对应第一图像簇的簇特征。
图3示出了根据本公开的实施例的生成图像检索索引的方法的部分示例性流程图。
根据一些实施例,上述关联关系包括第一关联关系。如图3所示,步骤240包括:按照从大到小的顺序对多个第一相似度进行排序,以得到第一相似度序列(步骤341);以及确定第一相似度序列的前n个第一相似度对应的第一图像簇与第一图像存在第一关联关系,其中,n为大于或等于1的整数(步骤342)。并且,步骤250包括:对于图像簇集合中与第一图像存在第一关联关系的每个第一图像簇,将第一图像作为新的第二图像加入该第一图像簇(步骤351);以及根据第一图像特征更新该第一图像簇的簇特征(步骤352)。
在步骤341,按照从大到小的顺序对多个第一相似度进行排序,以得到第一相似度序列。
在一些实施例中,可以将排序后的多个第一相似度直接作为上述第一相似度序列。在另一些实施例中,也可以将排序后的多个第一相似度中小于预设阈值的第一相似度进行删除,以简化上述第一相似度序列。
在步骤342,确定第一相似度序列的前n个第一相似度对应的第一图像簇与第一图像存在第一关联关系,n为大于或等于1的整数。
根据一些实施例,步骤342包括:确定前n个第一相似度中大于第一阈值的至少一个第一相似度对应的第一图像簇与第一图像存在第一关联关系。基于此,通过排序和第一阈值作为判断条件来对多个第一相似度进行两重筛选,从而能够更准确地确定出第一图像与第一图像簇之间是否存在第一关联关系。
在步骤351和步骤352,对于图像簇集合中与第一图像存在第一关联关系的每个第一图像簇,将第一图像作为新的第二图像加入该第一图像簇,以及根据第一图像特征更新该第一图像簇的簇特征。
在一些实施例中,第一关联关系指示第一图像与相应第一图像簇之间的相似度较高(即,第一图像距离第一图像簇的质心较近),因此可以将第一图像加入该第一图像簇中,并基于第一图像的图像特征重新计算该第一图像簇的簇特征,以更新该第一图像簇相应的图像检索索引,从而提高后续图像检索的检索结果的准确性。
图4示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图。
根据一些实施例,上述关联关系包括第二关联关系。如图4所示,步骤240包括:确定第一相似度序列的第n+1个至第m个第一相似度对应的第一图像簇与第一图像存在第二关联关系,其中,m为大于n的整数(步骤410)。并且,步骤250包括:对于图像簇集合中与第一图像存在第二关联关系的每个第一图像簇,将第一图像作为新的第二图像加入该第一图像簇(步骤420)。
在步骤410,确定第一相似度序列的第n+1个至第m个第一相似度对应的第一图像簇与第一图像存在第二关联关系,m为大于n的整数。
根据一些实施例,步骤410包括:确定所述第n+1个至第m个第一相似度中不大于第一阈值且大于第二阈值的至少一个第一相似度对应的第一图像簇与第一图像存在第二关联关系,所述第二阈值小于所述第一阈值。基于此,通过排序、第一阈值和第二阈值作为判断条件来对多个第一相似度进行两重筛选,从而能够更准确地确定出第一图像与第一图像簇之间是否存在第二关联关系。
在步骤420,对于图像簇集合中与第一图像存在第二关联关系的每个第一图像簇,将第一图像作为新的第二图像加入该第一图像簇。
在一些实施例中,第二关联关系指示第一图像与相应第一图像簇之间的相似度一般(即,第一图像距离第一图像簇的质心相对较远但仍可以归于该第一图像簇中)。而对于上述动态更新的第一图像簇,由于其簇特征会随着引入的新的图像数据发生变化,因此,若直接确定第一图像不与相应的第一图像簇存在关联关系,则可能导致直接丢失该第一图像的特征数据,不利于后续的动态更新过程。
因此,可以将具有第二关联关系的第一图像加入相应的第一图像簇中,但不因此更新该第一图像簇的簇特征,以保留该第一图像的特征数据留待后续处理,从而能够进一步提高准确生成图像检索索引的概率。
图5示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图。
根据一些实施例,如图5所示,步骤240包括:响应于多个第一相似度中不存在大于第二阈值的第一相似度,生成第二图像簇,其中,第二图像簇包括第一图像,第一图像与第二图像簇存在第一关联关系(步骤510)。并且,步骤250包括:将第二图像簇作为新的第一图像簇加入图像簇集合(步骤520)。
在一些实施例中,第一图像距离相应第一图像簇的质心较远且不适合归于该第一图像簇中,此时,可以基于第一图像的图像特征生成新的第一图像簇加入图像簇集合中,以增加新的图像检索索引,进一步提高生成的图像检索索引的适用范围。并且,由于新增加的第一图像簇是基于第一图像生成的,因此该第一图像簇的簇特征与第一图像的图像特征之间的相似度必然较高,因此,可以直接在第一图像与第一图像簇之间建立第一关联关系。
图6示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图。
根据一些实施例,如图6所示,除了上述步骤210~250外,方法200还包括:对于更新后的图像簇集合中的每个第一图像簇,计算该第一图像簇中与该第一图像簇存在第二关联关系的每个第二图像与该第一图像簇的簇特征的第二相似度,以得到至少一个第二相似度(步骤610);以及从该第一图像簇中删除至少一个第二相似度中小于第四阈值的第二相似度对应的第二图像(步骤620)。
在一些实施例中,随着对图像簇集合中的第一图像簇的不断更新,每个第一图像簇的质心和半径可能会发生变化,可以在基于第一图像更新图像簇集合后,进一步对更新后的图像簇集合中的每个第一图像簇进行剪枝处理,以降低图像簇集合对存储空间的占用。进一步地,由于第二关联关系指示可以通过相应第一图像簇的簇特征索引到相应的第二图像,但该第二图像不会改变该第一图像簇的簇特征,因此,针对具有第二关联关系的第二图像和第一图像簇进行上述剪枝处理,可以在删除冗余内存占用的同时不影响将第一图像簇的簇特征作为图像检索索引的效果。
在一些实施例中,也可以定时对图像簇集合进行上述剪枝处理,或者,还可以在图像簇集合占用的存储空间达到一定程度后进行上述剪枝处理。
在一些实施例中,上述第四阈值可以与上述第二阈值相同或不同。
在一些实施例中,由于第二关联关系指示可以通过相应第一图像簇的簇特征索引到相应的第二图像,但该第二图像不会改变该第一图像簇的簇特征,因此,针对具有第二关联关系的第二图像和第一图像簇进行上述剪枝处理,可以在删除冗余内存占用的同时不影响将第一图像簇的簇特征作为图像检索索引的效果。
图7示出了根据本公开的实施例的生成图像检索索引的方法的另一部分示例性流程图。
根据一些实施例,如图7所示,除了上述步骤210~250外,方法200还包括:对于更新后的图像簇集合中的每个第一图像簇,响应于该第一图像簇包括的第二图像的数量为一,计算该第一图像簇与图像簇集合中每个第一图像簇的第三相似度,以得到多个第三相似度(步骤710);将多个第三相似度中大于第四阈值的至少一个第三相似度对应的第一图像簇加入待合并集合(步骤720);将该第一图像簇分别与待合并集合中的每个第一图像簇进行合并(步骤730);以及利用待合并集合更新上述更新后的图像簇集合(步骤740)。
在一些实施例中,图像簇集合中可能存在仅与一个第二图像存在关联关系的孤簇,可以将这些孤簇合并到其他相似度较高的第一图像簇中,从而能够在保证孤簇中的第二图像数据仍然可以被检索到的同时,进一步提高存储空间的利用率。
在一些实施例中,也可以定时对图像簇集合中的孤簇进行上述合并处理,或者,还可以在图像簇集合占用的存储空间达到一定程度后对图像簇集合中的孤簇进行上述合并处理。
在一些实施例中,可以先将孤簇中的第二图像与合并的第一图像簇建立第三关联关系,随着该合并的第一图像簇的簇特征的更新,可以重新计算第二图像与该合并的第一图像簇的第四相似度。在上述第四相似度大于上述第一阈值时,将二者之间的第三关联关系更新为第一关联关系,并基于该第二图像的图像特征更新该合并的第一图像簇的簇向量;或者,在上述第四相似度不大于上述第一阈值但大于上述第二阈值时,将二者之间的第三关联关系更新为第二关联关系,以便后续确定是否需要对其进行剪枝处理。
在一些实施例中,步骤740可以包括,利用合并合集中的第一图像簇替换图像簇集合中对应的第一图像簇,以更新上述更新后的图像簇集合。
图8示出了根据本公开的实施例的生成图像检索索引的装置的结构框图。
如图8所示,根据本公开的实施例,提供了一种生成图像检索索引的装置800,包括:获取单元810,被配置为获取第一图像和图像簇集合,其中,图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,每个第一图像簇的簇特征被用于图像检索的索引;特征单元820,被配置为对第一图像进行特征提取,以得到第一图像特征;计算单元830,被配置为计算第一图像特征与每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;确定单元840,被配置为根据多个第一相似度确定图簇关系,其中,图簇关系指示第一图像与每个第一图像簇之间是否存在关联关系;以及更新单元850,被配置为根据第一图像特征和图簇关系更新图像簇集合中的至少一个第一图像簇。
这里,生成图像检索索引的装置800的上述各单元810~850的操作分别与前面描述的方法200的步骤210~250的操作类似,在此不再赘述。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种生成图像检索索引的方法,包括:
获取第一图像和图像簇集合,其中,所述图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,所述多个第一图像簇中的每个第一图像簇被用于图像检索的索引;
对所述第一图像进行特征提取,以得到第一图像特征;
计算所述第一图像特征与所述每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;
根据所述多个第一相似度确定图簇关系,其中,所述图簇关系指示所述第一图像与所述每个第一图像簇之间是否存在关联关系;以及
根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇。
2.根据权利要求1所述的方法,其中,所述关联关系包括第一关联关系,并且其中,所述根据所述多个第一相似度确定图簇关系包括:
按照从大到小的顺序对所述多个第一相似度进行排序,以得到第一相似度序列;以及
确定所述第一相似度序列的前n个第一相似度对应的第一图像簇与所述第一图像存在所述第一关联关系,其中,n为大于或等于1的整数;
并且其中,所述根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇包括:
对于所述图像簇集合中与所述第一图像存在所述第一关联关系的每个第一图像簇,
将所述第一图像作为新的第二图像加入该第一图像簇;以及
根据所述第一图像特征更新该第一图像簇的簇特征。
3.根据权利要求2所述的方法,其中,所述确定所述相似度序列的前n个第一相似度对应的第一图像簇与所述第一图像存在所述第一关联关系包括:
确定所述前n个第一相似度中大于第一阈值的至少一个第一相似度对应的第一图像簇与所述第一图像存在所述第一关联关系。
4.根据权利要求3所述的方法,其中,所述关联关系包括第二关联关系,并且其中,所述根据所述多个第一相似度确定图簇关系包括:
确定所述第一相似度序列的第n+1个至第m个第一相似度对应的第一图像簇与所述第一图像存在所述第二关联关系,其中,m为大于n的整数;
并且其中,所述根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇包括:
对于所述图像簇集合中与所述第一图像存在所述第二关联关系的每个第一图像簇,将所述第一图像作为新的第二图像加入该第一图像簇。
5.根据权利要求4所述的方法,其中,所述确定所述相似度序列的第n+1个至第m个第一相似度对应的第一图像簇与所述第一图像存在所述第二关联关系包括:
确定所述第n+1个至第m个第一相似度中不大于所述第一阈值且大于第二阈值的至少一个第一相似度对应的第一图像簇与所述第一图像存在所述第二关联关系,其中,所述第二阈值小于所述第一阈值。
6.根据权利要求4或5所述的方法,其中,所述根据所述多个第一相似度确定图簇关系包括:
响应于所述多个第一相似度中不存在大于所述第二阈值的第一相似度,生成第二图像簇,其中,所述第二图像簇包括所述第一图像,所述第一图像与所述第二图像簇存在所述第一关联关系;
并且其中,所述根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇包括:
将所述第二图像簇作为新的第一图像簇加入所述图像簇集合。
7.根据权利要求4或5所述的方法,还包括:
对于更新后的所述图像簇集合中的每个第一图像簇,
计算该第一图像簇中与该第一图像簇存在所述第二关联关系的每个第二图像与该第一图像簇的簇特征的第二相似度,以得到至少一个第二相似度;以及
从该第一图像簇中删除所述至少一个第二相似度中小于第四阈值的第二相似度对应的第二图像。
8.根据权利要求1-6中任一项所述的方法,还包括:
对于更新后的所述图像簇集合中的每个第一图像簇,
响应于该第一图像簇包括的所述第二图像的数量为一,计算该第一图像簇与所述图像簇集合中每个第一图像簇的第三相似度,以得到多个第三相似度;
将所述多个第三相似度中大于第五阈值的至少一个第三相似度对应的第一图像簇加入待合并集合;
将该第一图像簇分别与所述待合并集合中的每个第一图像簇进行合并;以及
利用所述待合并集合更新所述更新后的所述图像簇集合。
9.一种生成图像检索索引的装置,包括:
获取单元,被配置为获取第一图像和图像簇集合,其中,所述图像簇集合包括对多个第二图像进行聚类而得到的多个第一图像簇,所述多个第一图像簇中的每个第一图像簇被用于图像检索的索引;
特征单元,被配置为对所述第一图像进行特征提取,以得到第一图像特征;
计算单元,被配置为计算所述第一图像特征与所述每个第一图像簇的簇特征的第一相似度,以得到多个第一相似度;
确定单元,被配置为根据所述多个第一相似度确定图簇关系,其中,所述图簇关系指示所述第一图像与所述每个第一图像簇之间是否存在关联关系;以及
更新单元,被配置为根据所述第一图像特征和所述图簇关系更新所述图像簇集合中的至少一个第一图像簇。
10.根据权利要求9所述的装置,其中,所述关联关系包括第一关联关系,并且其中,所述确定单元包括:
第一排序子单元,被配置为按照从大到小的顺序对所述多个第一相似度进行排序,以得到第一相似度序列;以及
第一确定子单元,被配置为确定所述第一相似度序列的前n个第一相似度对应的第一图像簇与所述第一图像存在所述第一关联关系,其中,n为大于或等于1的整数;
并且其中,所述更新单元包括:
第一更新子单元,被配置为对于所述图像簇集合中与所述第一图像存在所述第一关联关系的每个第一图像簇,
将所述第一图像作为新的第二图像加入该第一图像簇;以及
根据所述第一图像特征更新该第一图像簇的簇特征。
11.根据权利要求10所述的装置,其中,所述第一确定子单元进一步被配置为:
确定所述前n个第一相似度中大于第一阈值的至少一个第一相似度对应的第一图像簇与所述第一图像存在所述第一关联关系。
12.根据权利要求11所述的装置,其中,所述关联关系包括第二关联关系,并且其中,所述确定单元包括:
第二确定子单元,被配置为确定所述第一相似度序列的第n+1个至第m个第一相似度对应的第一图像簇与所述第一图像存在所述第二关联关系,其中,m为大于n的整数;
并且其中,所述更新单元包括:
第二更新子单元,被配置为对于所述图像簇集合中与所述第一图像存在所述第二关联关系的每个第一图像簇,将所述第一图像作为新的所述第二图像加入该第一图像簇。
13.根据权利要求12所述的装置,其中,所述第二确定子单元进一步被配置为:
确定所述第n+1个至第m个第一相似度中不大于所述第一阈值且大于第二阈值的至少一个第一相似度对应的第一图像簇与所述第一图像存在所述第二关联关系,其中,所述第二阈值小于所述第一阈值。
14.根据权利要求12或13所述的装置,其中,所述确定单元包括:
生成子单元,被配置为响应于所述多个第一相似度中不存在大于所述第二阈值的第一相似度,生成第二图像簇,其中,所述第二图像簇包括所述第一图像,所述第一图像与所述第二图像簇存在所述第一关联关系;
并且其中,所述更新单元包括:
第三更新子单元,被配置为将所述第二图像簇作为新的第一图像簇加入所述图像簇集合。
15.根据权利要求12或13所述的装置,还包括:
剪枝单元,被配置为对于更新后的所述图像簇集合中的每个第一图像簇,计算该第一图像簇中与该第一图像簇存在所述第二关联关系的每个第二图像与该第一图像簇的簇特征的第二相似度,以得到至少一个第二相似度;以及
从该第一图像簇中删除所述至少一个第二相似度中小于第四阈值的第二相似度对应的第二图像。
16.根据权利要求7-15中任一项所述的装置,还包括:
合并单元,被配置为对于更新后的所述图像簇集合中的每个第一图像簇,响应于该第一图像簇包括的所述第二图像的数量为一,计算该第一图像簇与所述图像簇集合中每个第一图像簇的第三相似度,以得到多个第三相似度;
将所述多个第三相似度中大于第五阈值的至少一个第三相似度对应的第一图像簇加入待合并集合;
将该第一图像簇分别与所述待合并集合中的每个第一图像簇进行合并;以及
利用所述待合并集合更新所述更新后的所述图像簇集合。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728813.1A CN116881485A (zh) | 2023-06-19 | 2023-06-19 | 生成图像检索索引的方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728813.1A CN116881485A (zh) | 2023-06-19 | 2023-06-19 | 生成图像检索索引的方法及装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116881485A true CN116881485A (zh) | 2023-10-13 |
Family
ID=88268833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728813.1A Pending CN116881485A (zh) | 2023-06-19 | 2023-06-19 | 生成图像检索索引的方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881485A (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004341940A (ja) * | 2003-05-16 | 2004-12-02 | Fujitsu Ltd | 類似画像検索装置、類似画像検索方法、および類似画像検索プログラム |
JP2010250637A (ja) * | 2009-04-17 | 2010-11-04 | Seiko Epson Corp | 画像サーバー、画像検索システム、画像検索方法および画像管理方法 |
WO2011078911A1 (en) * | 2009-12-24 | 2011-06-30 | Alibaba Group Holding Limited | Method and system for sample image index creation and image filtering and search |
JP2013020480A (ja) * | 2011-07-12 | 2013-01-31 | Hitachi Ltd | 画像検索システム |
WO2013147170A1 (ja) * | 2012-03-29 | 2013-10-03 | 楽天株式会社 | 画像検索装置、画像検索方法、プログラムおよびコンピュータ読取り可能な記憶媒体 |
CN106815362A (zh) * | 2017-01-22 | 2017-06-09 | 福州大学 | 一种基于kpca多表索引图像哈希检索方法 |
CN107657276A (zh) * | 2017-09-15 | 2018-02-02 | 赤峰学院 | 一种基于寻找语义类簇的弱监督语义分割方法 |
CN109584281A (zh) * | 2018-10-30 | 2019-04-05 | 江苏大学 | 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法 |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN110472091A (zh) * | 2019-08-22 | 2019-11-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US20200027002A1 (en) * | 2018-07-20 | 2020-01-23 | Google Llc | Category learning neural networks |
CN111178455A (zh) * | 2020-01-07 | 2020-05-19 | 重庆中科云从科技有限公司 | 图像聚类方法、***、设备及介质 |
CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及*** |
CN112784087A (zh) * | 2021-01-29 | 2021-05-11 | 平安科技(深圳)有限公司 | 图像检索方法、装置、计算机设备及存储介质 |
CN112948614A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114329026A (zh) * | 2021-09-01 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、电子设备和计算机可读存储介质 |
CN114358188A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 特征提取模型处理、样本检索方法、装置和计算机设备 |
CN114676279A (zh) * | 2022-05-25 | 2022-06-28 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN114792445A (zh) * | 2022-05-16 | 2022-07-26 | 北京百度网讯科技有限公司 | 目标人体姿态样本的挖掘方法及装置、设备和介质 |
CN115495603A (zh) * | 2022-09-26 | 2022-12-20 | 江苏衫数科技集团有限公司 | 一种服装图像检索方法和*** |
CN115512146A (zh) * | 2022-11-01 | 2022-12-23 | 北京百度网讯科技有限公司 | Poi信息挖掘方法、装置、设备及存储介质 |
CN115880508A (zh) * | 2022-12-22 | 2023-03-31 | 北京百度网讯科技有限公司 | 图像数据处理方法、装置、设备以及存储介质 |
WO2023065697A1 (zh) * | 2021-10-21 | 2023-04-27 | 深圳云天励飞技术股份有限公司 | 一种乘积量化搜索方法、装置、终端和存储介质 |
CN116246086A (zh) * | 2023-03-01 | 2023-06-09 | 北京龙智数科科技服务有限公司 | 一种图像聚类方法、装置、电子设备及存储介质 |
CN116244453A (zh) * | 2022-12-28 | 2023-06-09 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于神经网络的高效加密图像检索方法 |
-
2023
- 2023-06-19 CN CN202310728813.1A patent/CN116881485A/zh active Pending
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004341940A (ja) * | 2003-05-16 | 2004-12-02 | Fujitsu Ltd | 類似画像検索装置、類似画像検索方法、および類似画像検索プログラム |
JP2010250637A (ja) * | 2009-04-17 | 2010-11-04 | Seiko Epson Corp | 画像サーバー、画像検索システム、画像検索方法および画像管理方法 |
WO2011078911A1 (en) * | 2009-12-24 | 2011-06-30 | Alibaba Group Holding Limited | Method and system for sample image index creation and image filtering and search |
JP2013020480A (ja) * | 2011-07-12 | 2013-01-31 | Hitachi Ltd | 画像検索システム |
WO2013147170A1 (ja) * | 2012-03-29 | 2013-10-03 | 楽天株式会社 | 画像検索装置、画像検索方法、プログラムおよびコンピュータ読取り可能な記憶媒体 |
CN106815362A (zh) * | 2017-01-22 | 2017-06-09 | 福州大学 | 一种基于kpca多表索引图像哈希检索方法 |
CN107657276A (zh) * | 2017-09-15 | 2018-02-02 | 赤峰学院 | 一种基于寻找语义类簇的弱监督语义分割方法 |
US20200027002A1 (en) * | 2018-07-20 | 2020-01-23 | Google Llc | Category learning neural networks |
CN109584281A (zh) * | 2018-10-30 | 2019-04-05 | 江苏大学 | 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法 |
CN111506772A (zh) * | 2019-01-31 | 2020-08-07 | 北京小犀智能科技中心(有限合伙) | 基于图像特征提取的以图搜影方法及*** |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN110472091A (zh) * | 2019-08-22 | 2019-11-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111178455A (zh) * | 2020-01-07 | 2020-05-19 | 重庆中科云从科技有限公司 | 图像聚类方法、***、设备及介质 |
CN112784087A (zh) * | 2021-01-29 | 2021-05-11 | 平安科技(深圳)有限公司 | 图像检索方法、装置、计算机设备及存储介质 |
CN112948614A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114329026A (zh) * | 2021-09-01 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、电子设备和计算机可读存储介质 |
WO2023065697A1 (zh) * | 2021-10-21 | 2023-04-27 | 深圳云天励飞技术股份有限公司 | 一种乘积量化搜索方法、装置、终端和存储介质 |
CN114358188A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 特征提取模型处理、样本检索方法、装置和计算机设备 |
CN114792445A (zh) * | 2022-05-16 | 2022-07-26 | 北京百度网讯科技有限公司 | 目标人体姿态样本的挖掘方法及装置、设备和介质 |
CN114676279A (zh) * | 2022-05-25 | 2022-06-28 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、设备及计算机可读存储介质 |
CN115495603A (zh) * | 2022-09-26 | 2022-12-20 | 江苏衫数科技集团有限公司 | 一种服装图像检索方法和*** |
CN115512146A (zh) * | 2022-11-01 | 2022-12-23 | 北京百度网讯科技有限公司 | Poi信息挖掘方法、装置、设备及存储介质 |
CN115880508A (zh) * | 2022-12-22 | 2023-03-31 | 北京百度网讯科技有限公司 | 图像数据处理方法、装置、设备以及存储介质 |
CN116244453A (zh) * | 2022-12-28 | 2023-06-09 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于神经网络的高效加密图像检索方法 |
CN116246086A (zh) * | 2023-03-01 | 2023-06-09 | 北京龙智数科科技服务有限公司 | 一种图像聚类方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
董小丽: "基于索引相关和聚类的图像特征提取算法研究", 《CNKI优秀硕士学位论文全文库信息科技辑》, 15 May 2011 (2011-05-15), pages 1 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749685B (zh) | 视频分类方法、设备和介质 | |
CN114861910B (zh) | 神经网络模型的压缩方法及装置、设备和介质 | |
CN113656668B (zh) | 多模态信息库的检索方法、管理方法、装置、设备和介质 | |
CN115082740B (zh) | 目标检测模型训练方法、目标检测方法、装置、电子设备 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113810765B (zh) | 视频处理方法、装置、设备和介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116402844A (zh) | 一种行人跟踪方法及装置 | |
CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN116881485A (zh) | 生成图像检索索引的方法及装置、电子设备和介质 | |
CN114842474B (zh) | 文字识别方法、装置、电子设备和介质 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN114120420B (zh) | 图像检测方法和装置 | |
CN115578584B (zh) | 图像处理方法、图像处理模型的构建和训练方法 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN114390366B (zh) | 视频处理方法和装置 | |
CN115546510A (zh) | 图像检测方法和图像检测模型训练的方法 | |
CN113139095A (zh) | 视频检索方法及装置、计算机设备和介质 |
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 |