CN118643180B - 一种图像检索方法、系统、设备及存储介质 - Google Patents
一种图像检索方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN118643180B CN118643180B CN202411035029.3A CN202411035029A CN118643180B CN 118643180 B CN118643180 B CN 118643180B CN 202411035029 A CN202411035029 A CN 202411035029A CN 118643180 B CN118643180 B CN 118643180B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- feature extraction
- model
- layer
- 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 34
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000013139 quantization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 56
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction 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
- G06F16/53—Querying
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种图像检索方法、系统、设备及存储介质，属于检索领域，其方法包括如下步骤：获取待检测图像及图像数据库；基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息；哈希编码层根据局部信息和全局信息计算待检测图像与图像数据库中的图像之间的哈希码，根据哈希码进行图像检索。本发明能够提高图像检索精度和效率。本发明能够增强网络对重要特征的感知能力，且能够降低特征在量化过程中产生的误差，从而提高图像检索的精度。
Description
技术领域
本发明属于检索领域，具体涉及一种图像检索方法、系统、设备及存储介质。
背景技术
数字技术的迅猛发展，图像数据呈现爆炸式增长，对图像检索技术的要求也日益提高。传统的基于内容的图像检索方法往往依赖于手工设计的特征提取器，这些方法的性能受限于特征设计的精细程度和场景的多样性，难以满足大规模、高效率的检索需求。
近年来，通过使用深度学习结合哈希技术对图像进行检索能够提高图像检索的效率，但大多数深度哈希图像检索方法只考虑将网络最后一层的输出作为代表图像语义信息的特征表示，当将这些特征用于后续的检索流程中时，会限制神经网络在特征表示上的优势。实际上，随着深度神经网络深度的增加，特征会逐渐抽象化，难以解释，如果只考虑深层特征，可能会忽略图像中的一些重要细节，从而使传统深度学习模型在语义维度上的特征提取能力有限，导致在复杂场景下的图像检索效果不尽如人意。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种图像检索方法，包括如下步骤：
获取待检测图像及图像数据库；
基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；
将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息，并对不同层的局部信息和全局信息进行融合；将融合后的特征进行特征拼接，并作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索。
优选的，所述将待检测图像输入图像检索模型中之前，还包括对图像数据库中的图像进行预处理，具体为：对图像数据库中的图像进行尺寸调整、图像旋转、图像翻转、图像增强和图像去噪。
优选的，所述将待检测图像输入图像检索模型中之前，还包括如下步骤：
设计相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数；
根据相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数构建目标函数；
将预处理后的图像数据库中的图像输入图像检索模型，根据目标函数对图像检索模型进行训练。
优选的，所述使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索，具体为：对比待检测图像和图像数据库中的图像的哈希码之间的距离，得到图像相似度，根据图像相似度大小对图像数据库中的候选图像进行排序，选择最相似的图像作为检索结果。
本发明还提供有一种图像检索系统，包括：
图像获取模块，用于获取待检测图像及图像数据库；
模型构建模块，用于基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；
图像检索模块，用于将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息，并对不同层的局部信息和全局信息进行融合；将融合后的特征进行特征拼接，并作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索。
本发明还提供有一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行所述图像检索方法。
本发明还提供有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程序，所述计算机程序适于处理器进行加载，以执行所述图像检索方法。
本发明提供的图像检索方法、系统、设备及存储介质具有以下有益效果：
本发明基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，能够得到特征提取网络，通过该特征提取网络能够对待检测图像的不同层的局部信息和全局信息进行融合，增强网络对重要特征的感知能力，使网络学习到有效的特征表示；通过将不同层融合后的特征进行特征拼接，作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索，该过程能够降低特征在量化过程中产生的误差，提高图像检索的精度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图做简单的介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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为本发明实施例的图像检索方法的流程图；
图2为特征融合模块结构图；
图3为可选择性核卷积结构图。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例
本发明提供了一种图像检索方法，具体如图1所示，包括如下步骤：
步骤1：获取待检测图像及图像数据库。
本发明选取的是图像数据库为CIFAR-10数据集和NUS-WIDE数据集。
步骤2：基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型。
本发明所采用的残差网络模型为ResNet50，为Residual Network 50的缩写，中文名“残差网络-50”，本发明的特征提取网络中的特征融合模块包括局部特征提取部分和全局特征提取部分。
局部特征提取部分对应图2中的右边一列，采用可选择性核卷积提取特征图的局部细节，结构如图3所示，可选择性核卷积包含两个主要的卷积层，其中一个为主卷积层，另一个掩码卷积层，主卷积层用于提取输入数据的特征，掩码卷积层用于生成与主卷积层输出尺寸一致的掩码图，该掩码图通过Sigmoid激活函数进行归一化，使得每个位置的权重值在0到1之间，从而能够自适应地调整网络对特征图中不同位置的关注程度；通过将主卷积层的输出与掩码图进行逐元素相乘，在卷积运算中引入选择性思维，从而实现对输入特征的选择性加权，使模型可以选择性地关注输入特征图中不同位置上的内容，提高模型对重要特征的感知能力。
在经过可选择性核卷积提取到特征后连接批处理归一化层（BatchNormalization，BN）和ReLU激活函数，最后再次通过可选择性核卷积层使输出通道数与输入通道相同，并且通过同样归一化层（BN）和ReLU激活函数提高模型的鲁棒性和非线性，最终经过局部特征提取部分处理后的特征会包含更多的局部细节。
具体地，对于给定的输入特征图，形状为，经过局部特征提取模块后的输出定义为：
，
式中，和表示卷积核大小分别为和的可选择性核卷积操作，表示ReLU激活函数，B表示批处理归一化操作，其中输入特征图为待检测图像或图像库中的图像，如果是训练阶段指的是图像库中的图像，如果是检测阶段指的是待检测图像，C、W和H均表示输入特征图的形状维度大小，r表示通道缩减比。
全局特征提取部分对应图2中的左边一列，自适应选择特征融合模块首先利用全局平均池化层（global average pooling，GAP）得到输入特征图的全局上下文信息，并降低特征图的空间维度，使用全局平均池化而不是全局最大池化是因为后者可能会忽略掉一些重要的细节信息，因为全局最大池化关注的是局部极大值，最后通过两次可选择性核卷积操作和ReLU+BN操作提升模型对重要特征的感知能力和非线性，且最终得到的输出特征图和输入具有一样的维度。
假定输入特征图为，通过自适应选择特征融合模块提取的局部信息和全局信息分别为和，自适应选择特征融合模块总的输出定义如下：
，
式中，为自适应选择特征融合模型提取的注意力权重，表示ReLU激活函数。
本发明在特征提取网络部分将原始图像数据不同层特征图的全局信息和局部信息进行特征融合后，通过最大池化操作为转换为同一维度进行特征拼接得到高维图像特征，连接哈希层量化编码得到低维哈希码，在设计哈希层时，利用函数代替函数使模型在训练阶段可以通过反向传播学习参数，哈希层的节点数即为哈希码位数，这样在哈希层得到的是近似的哈希码，而最终检索时则用函数得到严格的离散哈希码，由于数据集的类别信息对于训练模型起到监督作用，因此在哈希层之后添加分类层来监督模型的训练。
步骤3：将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息，并对不同层的局部信息和全局信息进行融合；将融合后的特征进行特征拼接，并作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索。
1、将待检测图像输入图像检索模型中之前，还包括如下步骤：
（1）设计相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数。
(a)考虑到特征空间中各类特征之间的相关性引入相似度损失函数，具体如下：
，
式中，表示给定样本生成的哈希码，S表示成对标签的相似矩阵，表示成对标签之间的相似信息，若输入样本和之间标签相同，则，反之，和表示输入样本对应的哈希码，表示成对标签的似然。
，
式中，表示和之间的内积，表示函数，即。
(b)设计量化过程产生的信息损失，将量化过程转化为最大似然问题，采用方差为和标准差为的高斯分布评估器来表示哈希码的二进制似然。
，
式中，为哈希层的输出，exp表示指数函数，在使用时，分别设计两个评估器和，对应哈希码中的（1，-1）两种情况：当使用时，，而当使用时，，并且使用相同的，最终二进制交叉熵损失函数为：
，
式中，K为哈希码位数，，，及均表示二进制交叉熵损失，和均表示哈希码的似然，即：，，而和表示两种情况下的二进制似然标签，具体形式如下：
，
(c)设计平衡损失为：
，
式中，，表示对哈希码取平均值，表示第i个样本生成的哈希码。
(d)设计独立损失为：
，
式中，表示单位矩阵，表示给定样本生成的哈希码，K表示哈希码位数，N表示样本数目。
(e)设计分类损失为：
，
式中，和分别表示数据集中第c类的第i个样本的类别标签以及相应的预测结果，M表示数据集的类别数量，N表示样本数目。
（2）根据相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数构建目标函数。
训练阶段总的目标函数为：
，
式中，、、和是为了控制目标函数中各项的影响程度而添加的影响因子。
根据目标函数对图像检索模型进行训练。
对图像数据库中的图像进行预处理，具体为：对图像数据库中的图像进行尺寸调整、图像旋转、图像翻转、图像增强和图像去噪。
将预处理后的图像数据库中的图像输入图像检索模型，根据目标函数对图像检索模型进行训练。
本发明在实验中数据集选取的是CIFAR-10和NUS-WIDE数据集。采用随机梯度下降法（Stochastic gradient descend，STD）训练模型，学习率初始值为0.001，共训练模型100轮次。本发明方法在两个图片数据集上的平均精度均值mAP分别达到了90.2%和87.8%，本发明方法在实验中，哈希码位数设置为48位。
2、将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像不同层的局部信息和全局信息。
待检测图像首先经过卷积层来提取图像的初步特征，然后通过BN层进行归一化处理，应用ReLU激活函数增加非线性，最后通过最大池化层进行下采样，减小特征图的尺寸，之后经过四层不同尺度的特征融合模块处理后的特征图会包含更多原始特征图中重要的全局语义信息和局部细节，然后保留网络每个分支生成的增强特征图，最后将不同层的融合后的特征分别通过最大池化操作转换为同一维度后进行特征拼接，使网络最终提取到的待检测图像特征包含更多图像不同层次的语义信息。
3、根据哈希码进行图像检索。
具体为：对比待检测图像和图像数据库中的图像的哈希码之间的距离，得到图像相似度，根据图像相似度大小图像数据库中的候选图像进行排序，选择最相似的图像作为检索结果。
本发明还提供有一种图像检索系统，包括图像获取模块、模型构建模块和图像检索模块。图像获取模块用于获取待检测图像及图像数据库；模型构建模块用于基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；图像检索模块用于将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息；哈希编码层根据局部信息和全局信息计算待检测图像与图像数据库中的图像之间的哈希码，根据哈希码进行图像检索。
本发明还提供有一种计算机设备，包括存储器和处理器；存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，以执行图像检索方法。
本发明还提供有一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序适于处理器进行加载，以执行图像检索方法。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
Claims (7)
1.一种图像检索方法，其特征在于，包括如下步骤：
获取待检测图像及图像数据库；
基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；
将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息，并对不同层的局部信息和全局信息进行融合；将融合后的特征进行特征拼接，并作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索；
所述特征融合模块包括局部特征提取部分和全局特征提取部分；所述局部特征提取部分采用可选择性核卷积提取特征图的局部细节，之后连接批处理归一化层BN和ReLU激活函数，再通过一个可选择性核卷积层使输出通道数与输入通道相同，最后通过同样的BN和ReLU激活函数提取到包含更多局部细节的特征；
所述全局特征提取部分先利用全局平均池化层GAP得到输入特征图的全局上下文信息，并降低特征图的空间维度，再通过两次可选择性核卷积和ReLU+BN提取重要特征和非线性特征；
所述可选择性核卷积包含两个卷积层，一个为主卷积层，另一个为掩码卷积层，主卷积层用于提取输入数据的特征，掩码卷积层用于生成与主卷积层输出尺寸一致的掩码图，所述掩码图通过Sigmoid激活函数进行归一化，自适应地调整网络对特征图中不同位置的关注程度。
2.根据权利要求1所述的图像检索方法，其特征在于，所述将待检测图像输入图像检索模型中之前，还包括对图像数据库中的图像进行预处理，具体为：对图像数据库中的图像进行尺寸调整、图像旋转、图像翻转、图像增强和图像去噪。
3.根据权利要求2所述的图像检索方法，其特征在于，所述将待检测图像输入图像检索模型中之前，还包括：
设计相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数；
根据相似度损失函数、量化损失函数、独立损失函数、平衡损失函数及分类损失函数构建目标函数；
将预处理后的图像数据库中的图像输入图像检索模型，根据目标函数对图像检索模型进行训练。
4.根据权利要求1所述的图像检索方法，其特征在于，所述使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索，具体为：对比待检测图像和图像数据库中的图像的哈希码之间的距离，得到图像相似度，根据图像相似度大小对图像数据库中的候选图像进行排序，选择最相似的图像作为检索结果。
5.一种图像检索系统，其特征在于，包括：
图像获取模块，用于获取待检测图像及图像数据库；
模型构建模块，用于基于残差网络模型，在残差网络模型的每个瓶颈块后添加一个特征融合模块，得到特征提取网络，在特征提取网络后添加哈希编码层，得到图像检索模型；
图像检索模块，用于将待检测图像输入图像检索模型中，使用特征提取网络提取待检测图像的不同层的局部信息和全局信息，并对不同层的局部信息和全局信息进行融合；将融合后的特征进行特征拼接，并作为哈希编码层的输入，哈希编码层将拼接后的特征转化为哈希码，并使用哈希码计算待检测图像与图像数据库中的图像之间的相似度，再根据相似度对图像进行检索；
所述特征融合模块包括局部特征提取部分和全局特征提取部分；所述局部特征提取部分采用可选择性核卷积提取特征图的局部细节，之后连接批处理归一化层BN和ReLU激活函数，再通过一个可选择性核卷积层使输出通道数与输入通道相同，最后通过同样的BN和ReLU激活函数提取到包含更多局部细节的特征；
所述全局特征提取部分先利用全局平均池化层GAP得到输入特征图的全局上下文信息，并降低特征图的空间维度，再通过两次可选择性核卷积和ReLU+BN提取重要特征和非线性特征；
所述可选择性核卷积包含两个卷积层，一个为主卷积层，另一个为掩码卷积层，主卷积层用于提取输入数据的特征，掩码卷积层用于生成与主卷积层输出尺寸一致的掩码图，所述掩码图通过Sigmoid激活函数进行归一化，自适应地调整网络对特征图中不同位置的关注程度。
6.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1-4任一项所述的图像检索方法。
7.一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存储有计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1-4任一项所述的图像检索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411035029.3A CN118643180B (zh) | 2024-07-31 | 2024-07-31 | 一种图像检索方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411035029.3A CN118643180B (zh) | 2024-07-31 | 2024-07-31 | 一种图像检索方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118643180A CN118643180A (zh) | 2024-09-13 |
| CN118643180B true CN118643180B (zh) | 2025-01-28 |
Family
ID=92671443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411035029.3A Active CN118643180B (zh) | 2024-07-31 | 2024-07-31 | 一种图像检索方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118643180B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118823603A (zh) * | 2024-09-19 | 2024-10-22 | 山东航天电子技术研究所 | 一种基于信息增强的双阶段小目标检测算法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114036326A (zh) * | 2021-10-09 | 2022-02-11 | 鹏城实验室 | 一种图像检索与分类方法、系统、终端及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815364B (zh) * | 2019-01-18 | 2020-01-14 | 上海极链网络科技有限公司 | 一种海量视频特征提取、存储和检索方法及系统 |
| 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 |
| CN111950467B (zh) * | 2020-08-14 | 2021-06-25 | 清华大学 | 基于注意力机制的融合网络车道线检测方法及终端设备 |
| CN116204673A (zh) * | 2022-12-14 | 2023-06-02 | 宁波大学 | 一种关注图像块间关系的大规模图像检索哈希方法 |
| CN116797931A (zh) * | 2023-06-26 | 2023-09-22 | 电子科技大学 | 一种基于虚拟特征增强和特征细化的小样本目标识别方法 |
| CN117033687A (zh) * | 2023-08-10 | 2023-11-10 | 武汉理工大学三亚科教创新园 | 一种农作物病虫害图像检索方法及装置 |
-
2024
- 2024-07-31 CN CN202411035029.3A patent/CN118643180B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114036326A (zh) * | 2021-10-09 | 2022-02-11 | 鹏城实验室 | 一种图像检索与分类方法、系统、终端及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| "基于有监督对比学习的哈希图像检索方法";江祥奎等;《西安邮电大学学报》;20240331;第29卷(第2期);第94-102页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118643180A (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866140B (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
| CN111680176B (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
| CN112100346B (zh) | 基于细粒度图像特征和外部知识相融合的视觉问答方法 | |
| CN110503076B (zh) | 基于人工智能的视频分类方法、装置、设备和介质 | |
| WO2019075130A1 (en) | IMAGE PROCESSING DEVICE AND METHOD | |
| EP4002161A1 (en) | Image retrieval method and apparatus, storage medium, and device | |
| CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
| CN107545276B (zh) | 联合低秩表示和稀疏回归的多视角学习方法 | |
| CN111950728B (zh) | 图像特征提取模型的构建方法、图像检索方法及存储介质 | |
| CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
| CN110929080A (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
| CN111159485A (zh) | 尾实体链接方法、装置、服务器及存储介质 | |
| CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN118643180B (zh) | 一种图像检索方法、系统、设备及存储介质 | |
| WO2021169453A1 (zh) | 用于文本处理的方法和装置 | |
| JP2024512628A (ja) | キャプション生成器を生成するための方法および装置、並びにキャプションを出力するための方法および装置 | |
| CN115830449A (zh) | 显式轮廓引导和空间变化上下文增强的遥感目标检测方法 | |
| CN107391599B (zh) | 基于风格特征的图像检索方法 | |
| CN114692750A (zh) | 一种细粒度图像分类方法、装置、电子设备及存储介质 | |
| CN114299304A (zh) | 一种图像处理方法及相关设备 | |
| CN110321565B (zh) | 基于深度学习的实时文本情感分析方法、装置及设备 | |
| CN116756363A (zh) | 一种由信息量引导的强相关性无监督跨模态检索方法 | |
| CN110969187B (zh) | 一种图谱迁移的语义分析方法 | |
| CN117688390A (zh) | 内容匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN115082430A (zh) | 图像分析方法、装置及电子设备 |
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 |