CN117851632A - 基于人工智能的图像检索方法、装置、设备及存储介质 - Google Patents
基于人工智能的图像检索方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117851632A CN117851632A CN202410020543.3A CN202410020543A CN117851632A CN 117851632 A CN117851632 A CN 117851632A CN 202410020543 A CN202410020543 A CN 202410020543A CN 117851632 A CN117851632 A CN 117851632A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- target
- preset
- retrieval
- 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 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 79
- 230000001960 triggered effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism 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
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static 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
- G06F16/58—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种基于人工智能的图像检索方法,包括:接收用户触发的图像检索请求;判断初始图像的分辨率是否小于预设的分辨率阈值;若是,基于图像重构模型对初始图像进行重构处理得到目标图像;对目标图像进行特征提取得到目标图像特征;基于预设的图像特征数据库对目标图像特征进行图像检索处理,得到目标图像特征的图像检索结果。本申请还提供一种基于人工智能的图像检索装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,图像检索结果可存储于区块链中。本申请可应用于金融领域的图像检索场景,基于图像重构模型的使用可以有效保证得到的与初始图像的目标图像特征匹配的图像检索结果的准确性。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及基于人工智能的图像检索方法、装置、计算机设备及存储介质。
背景技术
为了满足客户的图片检索需求,在金融科技企业,例如保险企业、银行等中通常会开发用服务于客户的图像检索***。在实际的客户使用图像检索***的业务场景中,客户输入的待检索的图像的分辨率普遍都非常低,因而图像检索***提取到的关于待检索的图像的特征数据在细节信息上略有不足,从而会导致检索的精度较低,使得图像检索***输出的与待检索的图像所对应图像检索结果的准确性较低。
发明内容
本申请实施例的目的在于提出一种基于人工智能的图像检索方法、装置、计算机设备及存储介质,以解决现有的在实际的客户使用图像检索***的业务场景中,客户输入的待检索的图像的分辨率普遍都非常低,因而图像检索***提取到的关于待检索的图像的特征数据在细节信息上略有不足,使得图像检索***输出的与待检索的图像所对应图像检索结果的准确性较低的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的图像检索方法,采用了如下所述的技术方案:
接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
对所述目标图像进行特征提取,得到对应的目标图像特征;
基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
进一步的,所述对所述目标图像进行特征提取,得到对应的目标图像特征的步骤,具体包括:
调用预设的图像检索模型;
基于所述图像检索模型对所述目标图像进行特征提取,得到对应的模型输出结果;
将所述模型输出结果作为所述目标图像特征。
进一步的,所述基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索图像的步骤,具体包括:
基于所述图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量;
调用所述图像特征数据库;
对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,得到对应的多个相似度;
从所有所述相似度中筛选出大于预设的相似度阈值的指定相似度;
从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征;
获取与所述指定图像特征对应的指定图像,并将所述指定图像作为与所述目标图像特征对应的图像检索结果。
进一步的,在所述调用预设的图像重构模型的步骤之前,还包括:
调用预设的SRCNN模型;
对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型;
在所述第一模型中添加预设的残缺网络,得到处理后的第二模型;
在所述第二模型的卷积层中进行补零操作,得到处理后的第三模型;
将所述第三模型作为所述目标SRCNN模型。
进一步的,所述对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型的步骤,具体包括:
获取预设的层数扩展倍数;
基于所述层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,得到处理后的所述第一模型。
进一步的,在所述调用预设的图像重构模型的步骤之前,还包括:
获取预先采集的图像样本数据;
基于所述图像样本数据构建训练数据与测试数据;
调用所述目标SRCNN模型;
采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练,以使所述目标SRCNN模型对应的损失函数处于预设数值范围内,得到训练后的初始模型;
基于所述测试数据对所述初始模型进行模型评测;
若所述初始模型通过模型评测,将所述初始模型作为所述图像重构模型。
进一步的,在所述获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值的步骤之后,还包括:
若所述分辨率大于所述分辨率阈值,调用预设的图像检索工具;
基于所述图像检索工具对所述初始图像进行图像检索处理,得到与所述初始图像对应的指定图像检索结果;
将所述指定图像检索结果推送给所述用户。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的图像检索装置,采用了如下所述的技术方案:
接收模块,用于接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
判断模块,用于获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
第一调用模块,用于若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
重构模块,用于基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
提取模块,用于对所述目标图像进行特征提取,得到对应的目标图像特征;
第一检索模块,用于基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
对所述目标图像进行特征提取,得到对应的目标图像特征;
基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
对所述目标图像进行特征提取,得到对应的目标图像特征;
基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先接收用户触发的图像检索请求后,然后获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;若是,调用预设的图像重构模型;之后基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;后续对所述目标图像进行特征提取,得到对应的目标图像特征;最后基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。本申请实施例在接收到用户触发的携带待检索的初始图像的图像检索请求后,如果检测出初始图像的分辨率小于预设的分辨率阈值,则会智能地调用预设的图像重构模型对所述初始图像进行重构处理得到目标图像,并会对所述目标图像进行特征提取,得到目标图像特征,后续再基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,以实现快速准确地生成与所述目标图像特征对应的图像检索结果。由于目标图像特征为对经过图像重构模型对初始图像进行重构处理所得到的目标图像进行特征提取得到的特征,故目标图像特征属于高分辨率的高质量的图像的特征,使得后续使用图像特征数据库对该目标图像特征进行检索处理,可以有效保证得到的与该目标图像特征匹配的图像检索结果的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2根据本申请的基于人工智能的图像检索方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的图像检索装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的图像检索方法一般由服务器/终端设备执行,相应地,基于人工智能的图像检索装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于人工智能的图像检索方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的基于人工智能的图像检索方法能够应用于任意一种需要进行图像检索的场景中,则该基于人工智能的图像检索方法能够应用于这些场景的产品中,例如,金融保险领域中的图像检索。所述的基于人工智能的图像检索方法,包括以下步骤:
步骤S201,接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像。
在本实施例中,基于人工智能的图像检索方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获待检索的初始图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述基于人工智能的图像检索方法的执行主体具体可为保险企业内开发的图像检索业务***。用户可通过点击车祸图像检索业务***内的图像检索页面中的图像检索按钮,以在图像检索页面中触发携带待检索的初始图像的图像检索请求。在金融保险的图像检索的业务场景下,待检索的初始图像可包括车祸图像数据、农险图像数据、等等。
步骤S202,获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值。
在本实施例中,可通过调用分辨率查询工具,以通过该分辨率查询工具来对所述初始图像的分辨率进行分析,以得到所述初始图像的分辨率。其中,上述分辨率阈值为用于区分高分辨率图像与低分辨率图像的一个区分阈值,对于上述分辨率阈值的取值不做具体限定,可根据实际的使用需求进行设置。
步骤S203,若是,调用预设的图像重构模型。
在本实施例中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的。上述目标SRCNN模型的具体优化过程,以及图像重构模型的具体构建过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像。
在本实施例中,可通过将所述初始图像输入至所述图像重构模型内,通过所述图像重构模型对所述初始图像进行重构处理,从而可以输出相应的处理后的目标图像。
步骤S205,对所述目标图像进行特征提取,得到对应的目标图像特征。
在本实施例中,上述对所述目标图像进行特征提取,得到对应的目标图像特征的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S206,基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
在本实施例中,上述基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。其中,通过只保留目标图像的目标图像特征进行图像检索处理,从而不会增加图像数据的存储压力。
本申请首先接收用户触发的图像检索请求后,然后获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;若是,调用预设的图像重构模型;之后基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;后续对所述目标图像进行特征提取,得到对应的目标图像特征;最后基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。本申请在接收到用户触发的携带待检索的初始图像的图像检索请求后,如果检测出初始图像的分辨率小于预设的分辨率阈值,则会智能地调用预设的图像重构模型对所述初始图像进行重构处理得到目标图像,并会对所述目标图像进行特征提取,得到目标图像特征,后续再基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,以实现快速准确地生成与所述目标图像特征对应的图像检索结果。由于目标图像特征为对经过图像重构模型对初始图像进行重构处理所得到的目标图像进行特征提取得到的特征,故目标图像特征属于高分辨率的高质量的图像的特征,使得后续使用图像特征数据库对该目标图像特征进行检索处理,可以有效保证得到的与该目标图像特征匹配的图像检索结果的准确性。
在一些可选的实现方式中,步骤S205包括以下步骤:
调用预设的图像检索模型。
在本实施例中,上述图像检索模型具体可采用深度卷积神经网络模型(DeepConvolutional Neural Network,简称DCNN)。深度卷积神经网络模型作为一种流行的深度学习算法,在图像检索技术中有着广泛的应用前景。深度卷积神经网络是深度学习算法中的一种,它的结构类似于人类的神经***,能够通过学习和识别图像中的特征来完成图像分类、识别和检索等任务。在深度卷积神经网终中,每一个网终层都包含了卷积层、激活函数层和池化层。卷积层负责将图像进行卷积运算以提取出图像的特征。激活函数层负责对输出结果进行非线性变换,滤除多余的信息。池化层则将输出的特征图进行降维处理。如此,每一层卷积都会输出更加抽象的特征,最终将这些特征进行分类或者检索任务。具体的,特征提取是基于深度卷积神经网络的图像检索技术的核心。在特征提取的过程中,可通常使用预训练好的深度卷积神经网络模型,例如ResNet、VGGNet等。这些深度卷积神经网络模型预先在大规模图像数据集上训练好,可以有效地提取出图像的高层次特征,从而可以实现准确的检索任务处理。
基于所述图像检索模型对所述目标图像进行特征提取,得到对应的模型输出结果。
在本实施例中,可通过将所述目标图像输入至图像检索模型内,通过图像检索模型对输入的目标图像进行特征提取处理,以提取出目标图像中的特征,即上述模型输出结果。
将所述模型输出结果作为所述目标图像特征。
本申请通过调用预设的图像检索模型;然后基于所述图像检索模型对所述目标图像进行特征提取,得到对应的模型输出结果;后续将所述模型输出结果作为所述目标图像特征。本申请图像检索模型通过基于图像检索模型的使用对所述目标图像进行特征提取,可以实现快速准确地提取出与目标图像对应的目标图像特征,提高了目标图像特征的获取效率。有利于后续可以基于预设的图像特征数据库对得到的目标图像特征进行图像检索处理,从而实现快捷准确地得到与所述目标图像特征对应的图像检索结果。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
基于所述图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量。
在本实施例中,特征编码是指将标图像特征压缩成较小的向量,并存储到预设的图像特征数据库中,以便后续进行比较和检索。
调用所述图像特征数据库。
在本实施例中,上述图像特征数据库为预先构建的存储有用于进行图像检索处理的检索专用图像的图像特征的数据库。
对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,得到对应的多个相似度。
在本实施例中,可通过采用相似度算法,分别对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,以得到对应的多个相似度。其中,对于上述相似度算法的选取不做具体限定,例如可采用余弦距离、欧氏距离、杰卡德相似度等算法。
从所有所述相似度中筛选出大于预设的相似度阈值的指定相似度。
在本实施例中,对于上述相似度阈值的取值不做具体限定,可根据实际的相似判别需求进行确定。两个图像特征的相似度越大,则这两个图像特征的相似程度越高。
从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征。
在本实施例中,可基于与相似度与图像特征之间的对应关系,从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征。
获取与所述指定图像特征对应的指定图像,并将所述指定图像作为与所述目标图像特征对应的图像检索结果。
在本实施例中,在得到了所述指定图像特征后,可以进一步查询出与所述指定图像特征对应的指定图像。
本申请通过基于所述图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量;然后调用所述图像特征数据库;并对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,得到对应的多个相似度;之后从所有所述相似度中筛选出大于预设的相似度阈值的指定相似度;后续从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征;最后获取与所述指定图像特征对应的指定图像,并将所述指定图像作为与所述目标图像特征对应的图像检索结果。本申请通过基于图像检索模型与图像特征数据库的使用,通过图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量,然后对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,进而从计算得到的所有相似度中筛选出大于预设的相似度阈值的指定相似度,后续基于指定相似度对图像特征数据库进行查询处理,可以实现快速准确地查询出与所述指定图像特征对应的指定图像并作为与所述目标图像特征对应的图像检索结果,提高了图像检索结果的生成效率。另外,由于目标图像特征为对经过图像重构模型对初始图像进行重构处理所得到的目标图像进行特征提取得到的特征,故目标图像特征属于高分辨率的高质量的图像的特征,使得后续使用该目标图像特征进行检索处理,可以有效保证得到的与该目标图像特征匹配的图像检索结果的准确性。
在一些可选的实现方式中,在步骤S203之前,上述电子设备还可以执行以下步骤:
调用预设的SRCNN模型。
在本实施例中,SRCNN模型,也称为图像超分辨率重建模型,是一种能将一张低分辨率的图片,重建生成一张高分辨率的图片的模型。SRCNN是首度将深度学习用于超分辨率重建领域的网络模型。SRCNN的结构十分简单,仅仅只用了三个卷积层:(1)特征块提取和表示:此操作从低分辨率图像中提取(重叠)特征块,并将每个特征块表示为一个高维向量。这些向量包括一组特征图,其数量等于向量的维数。(2)非线性映射:该操作将每个高维向量非线性映射到另一个高维向量。每个映射向量在概念上都是高分辨率特征块的表示。这些向量同样包括另一组特征图。(3)重建:该操作聚合上述高分辨率patch-wise(介于像素级别和图像级别的区域)表示,生成最终的高分辨率图像。然而,SRCNN的三层模型由于卷积层数不够,提取到的图像特征信息也相对较少,从而导致重构后的图像质量不够理想。并且没有池化层的存在导致网络输出的图像尺寸与输入不一致,以及还会存在由于网络退化问题而导致模型无法训练的问题。
对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型。
在本实施例中,通过对所述SRCNN模型的卷积层进行网络层数的扩展处理,可以保证提取到的输入图像所对应的更多的图像特征信息,进而有利于提升重构后的图像的质量。上述对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
在所述第一模型中添加预设的残缺网络,得到处理后的第二模型。
在本实施例中,为了防止SRCNN模型出现网络退化问题加入了残差网络。可以使得SRCNN模型在拥有更大感受野可以提取更多的特征信息,同时残差网络的存在也解决了网络退化导致模型无法训练的问题。
在所述第二模型的卷积层中进行补零操作,得到处理后的第三模型。
在本实施例中,通过在卷积层中进行补零操作(padding)以代替池化层,可以防止SRCNN模型的输入输出尺寸不一致问题。
将所述第三模型作为所述目标SRCNN模型。
本申请通过调用预设的SRCNN模型;然后对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型;之后在所述第一模型中添加预设的残缺网络,得到处理后的第二模型;后续在所述第二模型的卷积层中进行补零操作,得到处理后的第三模型,并将所述第三模型作为所述目标SRCNN模型。本申请通过对所述SRCNN模型的卷积层进行网络层数的扩展处理,添加预设的残缺网络以及进行补零操作的处理,可以快速的完成对于现有的SRCNN模型的改进以得到优化后的目标SRCNN模型,且通过使用优化后的目标SRCNN模型进行重构处理,可以保证提取到的输入的初始图像所对应的更多的图像特征信息,进而有利于提升重构处理后的图像的质量,并且可以使得SRCNN模型在拥有更大感受野可以提取更多的特征信息,同时残差网络的存在也解决了网络退化导致模型无法训练的问题,以及可以防止SRCNN模型的输入输出尺寸不一致问题。
在一些可选的实现方式中,所述对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型,包括以下步骤:
获取预设的层数扩展倍数。
在本实施例中,上述层数扩展倍数具体可为5。
基于所述层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,得到处理后的所述第一模型。
在本实施例中,可通过在SRCNN模型的第二层卷积层中将网络层数扩大至五倍,以得到处理后的所述第一模型。
本申请通过获取预设的层数扩展倍数;进而基于所述层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,得到处理后的所述第一模型。本申请通过使用预设的层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,从而可以快速地得到处理后的所述第一模型,从而可以实现根据该第一模型提取到的初始图像所对应的更多的图像特征信息,进而有利于提升后续生成的重构后的目标图像的质量。
在本实施例的一些可选的实现方式中,在步骤S203之前,上述电子设备还可以执行以下步骤:
获取预先采集的图像样本数据。
在本实施例中,上述图像样本数据至少可包括一定数量的带分辨率图像,以及对应的原始高分辨率图像。
基于所述图像样本数据构建训练数据与测试数据。
在本实施例中,可通过将所述图像样本数据按照7.5:2.5的划分数值进行随机抽取划分。具体地,随机选择图像样本数据中75%的数据作为训练数据,再选择图像样本数据中剩余的25%的数据作为测试数据,如此可以有效保证模型在训练过程中具有较好的泛化能力。
调用所述目标SRCNN模型。
在本实施例中,在完成对于上述目标SRCNN模型的优化构建后,还会进一步对该目标SRCNN模型进行存储以便后续进行模型调用。
采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练,以使所述目标SRCNN模型对应的损失函数处于预设数值范围内,得到训练后的初始模型。
在本实施例中,利用残差网络解决深度网络带来的网络退化问题,并且由于输入的低分辨率图像与重构后的超分辨率图像在低频分量上具有一定的相似性,通过卷积的方式在输入的低分辨率图像中添加高频分量,残差网络的最后一层输出为残差图像V。通过网络模型来学习输入图像与超分辨率图像之间的高频分量的残差值。设置输入的图像为X,超分辨率重构后的图像为Y,Y=X+V。将模型的优化目标改为实际残差图像与网络输出的残差图像的均方误差(MSE),因此上述目标SRCNN模型对应的损失函数具体可为:其中,σ代表网络模型的参数。n为训练数据的数量,Xi表示原始高分辨率图像,Yi表示输入的低分辨率图像,Vi表示残差图像,F(Yi,σ)为重建函数。另外,对于上述预设数值范围的取值不做具体限定,可根据实际的模型构建需求进行设置。
基于所述测试数据对所述初始模型进行模型评测。
在本实施例中,可通过使用所述测试数据对所述初始模型进行模型评测,计算得到与所述初始模型对应的模型评测数据,对于该模型评测数据不做具体限定,可根据实际的使用需求进行设置,例如可采用峰值信噪比(PSNR)。
若所述初始模型通过模型评测,将所述初始模型作为所述图像重构模型。
在本实施例中,可通过判断基于所述测试数据对所述初始模型进行模型评测得到的模型评测数据是否符合预期条件,若符合预期条件,则判定所述初始模型通过模型评测。
本申请通过获取预先采集的图像样本数据;然后基于所述图像样本数据构建训练数据与测试数据;之后调用所述目标SRCNN模型;后续采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练,以使所述目标SRCNN模型对应的损失函数处于预设数值范围内,得到训练后的初始模型;进一步基于所述测试数据对所述初始模型进行模型评测;若所述初始模型通过模型评测,将所述初始模型作为所述图像重构模型。本申请通过将预先采集的图像样本数据划分为训练数据与测试数据,然后采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练得到训练后的初始模型,进而基于所述测试数据对所述初始模型进行模型评测,并将通过模型评测的所述初始模型作为所述图像重构模型,以完成图像重构模型的构建过程,有效的保证了生成的图像重构模型的模型效果与重构处理准确性,提高了图像重构模型的构建效率。
在本实施例的一些可选的实现方式中,在步骤S202之后,上述电子设备还可以执行以下步骤:
若所述分辨率大于所述分辨率阈值,调用预设的图像检索工具。
在本实施例中,上述图像检索工具包括上述图像检索模型与上述图像特征数据库。
基于所述图像检索工具对所述初始图像进行图像检索处理,得到与所述初始图像对应的指定图像检索结果。
在本实施例中,基于所述图像检索工具对所述目标图像特征进行图像检索处理的处理过程,可参照前述的基于图像检索模型与图像特征数据库对所述目标图像特征进行图像检索处理的处理过程,在此不做过多赘述。
将所述指定图像检索结果推送给所述用户。
在本实施例中,可通过获取用户的通讯信息,进而根据该通讯信息将所述指定图像检索结果推送给所述用户,以完成对于用户触发的图像检索请求的响应处理。
本申请若检测到所述分辨率大于所述分辨率阈值,调用预设的图像检索工具;然后基于所述图像检索工具对所述初始图像进行图像检索处理,得到与所述初始图像对应的指定图像检索结果;后续将所述指定图像检索结果推送给所述用户。本申请在检测出初始图像的分辨率大于所述分辨率阈值后,会智能地直接使用图像检索工具对所述初始图像进行图像检索处理,得到与所述目标图像特征对应的指定图像检索结果,以实现快速地完成对于初始图像的图像检索处理,从而不需要再使用图像重构模型对所述初始图像进行重构处理,有效地降低了对于初始图像的图像检索处理的处理工作量,提高了对于初始图像的图像检索处理的处理效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要强调的是,为进一步保证上述产品转化数据的私密和安全性,上述产品转化数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础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、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的图像检索装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的图像检索装置300包括:接收模块301、判断模块302、第一调用模块303、重构模块304、提取模块305以及第一检索模块306。其中:
接收模块301,用于接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
判断模块302,用于获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
第一调用模块303,用于若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
重构模块304,用于基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
提取模块305,用于对所述目标图像进行特征提取,得到对应的目标图像特征;
第一检索模块306,用于基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,提取模块305包括:
第一调用子模块,用于调用预设的图像检索模型;
提取子模块,用于基于所述图像检索模型对所述目标图像进行特征提取,得到对应的模型输出结果;
第一确定子模块,用于将所述模型输出结果作为所述目标图像特征。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一检索模块306包括:
编码子模块,用于基于所述图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量;
第二调用子模块,用于调用所述图像特征数据库;
计算子模块,用于对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,得到对应的多个相似度;
第一筛选子模块,用于从所有所述相似度中筛选出大于预设的相似度阈值的指定相似度;
第二筛选子模块,用于从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征;
第二确定子模块,用于获取与所述指定图像特征对应的指定图像,并将所述指定图像作为与所述目标图像特征对应的图像检索结果。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的图像检索装置还包括:
第二调用模块,用于调用预设的SRCNN模型;
第一处理模块,用于对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型;
第二处理模块,用于在所述第一模型中添加预设的残缺网络,得到处理后的第二模型;
第三处理模块,用于在所述第二模型的卷积层中进行补零操作,得到处理后的第三模型;
第一确定模块,用于将所述第三模型作为所述目标SRCNN模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块包括:
获取子模块,用于获取预设的层数扩展倍数;
处理子模块,用于基于所述层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,得到处理后的所述第一模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的图像检索装置还包括:
第一获取模块,用于获取预先采集的图像样本数据;
构建模块,用于基于所述图像样本数据构建训练数据与测试数据;
第三调用模块,用于调用所述目标SRCNN模型;
训练模块,用于采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练,以使所述目标SRCNN模型对应的损失函数处于预设数值范围内,得到训练后的初始模型;
评测模块,用于基于所述测试数据对所述初始模型进行模型评测;
第二确定模块,用于若所述初始模型通过模型评测,将所述初始模型作为所述图像重构模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的图像检索装置还包括:
第四调用模块,用于若所述分辨率大于所述分辨率阈值,调用预设的图像检索工具;
第二检索模块,用于基于所述图像检索工具对所述初始图像进行图像检索处理,得到与所述初始图像对应的指定图像检索结果;
推送模块,用于将所述指定图像检索结果推送给所述用户。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的图像检索方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如基于人工智能的图像检索方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的图像检索方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先接收用户触发的图像检索请求后,然后获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;若是,调用预设的图像重构模型;之后基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;后续对所述目标图像进行特征提取,得到对应的目标图像特征;最后基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。本申请实施例在接收到用户触发的携带待检索的初始图像的图像检索请求后,如果检测出初始图像的分辨率小于预设的分辨率阈值,则会智能地调用预设的图像重构模型对所述初始图像进行重构处理得到目标图像,并会对所述目标图像进行特征提取,得到目标图像特征,后续再基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,以实现快速准确地生成与所述目标图像特征对应的图像检索结果。由于目标图像特征为对经过图像重构模型对初始图像进行重构处理所得到的目标图像进行特征提取得到的特征,故目标图像特征属于高分辨率的高质量的图像的特征,使得后续使用图像特征数据库对该目标图像特征进行检索处理,可以有效保证得到的与该目标图像特征匹配的图像检索结果的准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的图像检索方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先接收用户触发的图像检索请求后,然后获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;若是,调用预设的图像重构模型;之后基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;后续对所述目标图像进行特征提取,得到对应的目标图像特征;最后基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。本申请实施例在接收到用户触发的携带待检索的初始图像的图像检索请求后,如果检测出初始图像的分辨率小于预设的分辨率阈值,则会智能地调用预设的图像重构模型对所述初始图像进行重构处理得到目标图像,并会对所述目标图像进行特征提取,得到目标图像特征,后续再基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,以实现快速准确地生成与所述目标图像特征对应的图像检索结果。由于目标图像特征为对经过图像重构模型对初始图像进行重构处理所得到的目标图像进行特征提取得到的特征,故目标图像特征属于高分辨率的高质量的图像的特征,使得后续使用图像特征数据库对该目标图像特征进行检索处理,可以有效保证得到的与该目标图像特征匹配的图像检索结果的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的图像检索方法,其特征在于,包括下述步骤:
接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
对所述目标图像进行特征提取,得到对应的目标图像特征;
基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
2.根据权利要求1所述的基于人工智能的图像检索方法,其特征在于,所述对所述目标图像进行特征提取,得到对应的目标图像特征的步骤,具体包括:
调用预设的图像检索模型;
基于所述图像检索模型对所述目标图像进行特征提取,得到对应的模型输出结果;
将所述模型输出结果作为所述目标图像特征。
3.根据权利要求2所述的基于人工智能的图像检索方法,其特征在于,所述基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索图像的步骤,具体包括:
基于所述图像检索模型对所述目标图像特征进行特征编码,得到对应的目标特征向量;
调用所述图像特征数据库;
对所述目标特征向量与所述图像特征数据库中存储的所有图像特征进行相似度计算,得到对应的多个相似度;
从所有所述相似度中筛选出大于预设的相似度阈值的指定相似度;
从所述图像特征数据库中筛选出与所述指定相似度对应的指定图像特征;
获取与所述指定图像特征对应的指定图像,并将所述指定图像作为与所述目标图像特征对应的图像检索结果。
4.根据权利要求1所述的基于人工智能的图像检索方法,其特征在于,在所述调用预设的图像重构模型的步骤之前,还包括:
调用预设的SRCNN模型;
对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型;
在所述第一模型中添加预设的残缺网络,得到处理后的第二模型;
在所述第二模型的卷积层中进行补零操作,得到处理后的第三模型;
将所述第三模型作为所述目标SRCNN模型。
5.根据权利要求4所述的基于人工智能的图像检索方法,其特征在于,所述对所述SRCNN模型的卷积层进行网络层数的扩展处理,得到处理后的第一模型的步骤,具体包括:
获取预设的层数扩展倍数;
基于所述层数扩展倍数对所述SRCNN模型的卷积层进行扩展处理,得到处理后的所述第一模型。
6.根据权利要求1所述的基于人工智能的图像检索方法,其特征在于,在所述调用预设的图像重构模型的步骤之前,还包括:
获取预先采集的图像样本数据;
基于所述图像样本数据构建训练数据与测试数据;
调用所述目标SRCNN模型;
采用随机梯度下降算法,根据所述训练数据对所述目标SRCNN模型进行训练,以使所述目标SRCNN模型对应的损失函数处于预设数值范围内,得到训练后的初始模型;
基于所述测试数据对所述初始模型进行模型评测;
若所述初始模型通过模型评测,将所述初始模型作为所述图像重构模型。
7.根据权利要求1所述的基于人工智能的图像检索方法,其特征在于,在所述获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值的步骤之后,还包括:
若所述分辨率大于所述分辨率阈值,调用预设的图像检索工具;
基于所述图像检索工具对所述初始图像进行图像检索处理,得到与所述初始图像对应的指定图像检索结果;
将所述指定图像检索结果推送给所述用户。
8.一种基于人工智能的图像检索装置,其特征在于,包括:
接收模块,用于接收用户触发的图像检索请求;其中,所述图像检索请求携带待检索的初始图像;
判断模块,用于获取所述初始图像的分辨率,并判断所述分辨率是否小于预设的分辨率阈值;
第一调用模块,用于若是,调用预设的图像重构模型;其中,所述图像重构模型为基于预先采集的图像样本数据对经过改进的目标SRCNN模型进行训练后得到的;
重构模块,用于基于所述图像重构模型对所述初始图像进行重构处理,得到处理后的目标图像;
提取模块,用于对所述目标图像进行特征提取,得到对应的目标图像特征;
第一检索模块,用于基于预设的图像特征数据库对所述目标图像特征进行图像检索处理,得到与所述目标图像特征对应的图像检索结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的图像检索方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的图像检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020543.3A CN117851632A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的图像检索方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020543.3A CN117851632A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的图像检索方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117851632A true CN117851632A (zh) | 2024-04-09 |
Family
ID=90534109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410020543.3A Pending CN117851632A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的图像检索方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851632A (zh) |
-
2024
- 2024-01-04 CN CN202410020543.3A patent/CN117851632A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112989085B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN114299304A (zh) | 一种图像处理方法及相关设备 | |
CN116958325A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN113139490B (zh) | 一种图像特征匹配方法、装置、计算机设备及存储介质 | |
CN117851632A (zh) | 基于人工智能的图像检索方法、装置、设备及存储介质 | |
CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
CN111401317A (zh) | 视频分类方法、装置、设备及存储介质 | |
CN110929767A (zh) | 一种字形处理方法、***、设备和介质 | |
CN117314756B (zh) | 基于遥感图像的验保方法、装置、计算机设备及存储介质 | |
CN116823168A (zh) | 异常医疗项目检测方法、装置、计算机设备及存储介质 | |
CN117874518A (zh) | 基于人工智能的保险欺诈预测方法、装置、设备及介质 | |
CN116933869A (zh) | 图谱构建方法、装置、计算机设备及存储介质 | |
CN118227491A (zh) | 测试用例的生成方法、装置、计算机设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN117036225A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN116434306A (zh) | 基于人工智能的微表情识别方法、装置、设备及存储介质 | |
CN116701488A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |