-
公开(公告)号：CN110222140A
公开(公告)日：2019-09-10
申请号：CN201910323769.X
申请日：2019-04-22
Applicant: 中国科学院信息工程研究所
IPC: G06F16/31 , G06F16/335 , G06F16/58 , G06F16/583 , G06F16/51 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于对抗学习和非对称哈希的跨模态检索方法，其步骤包括：1)选取一跨模态数据集并将其划分为训练集和测试集；对模型进行训练，该模型包括一损失模块、特征提取单元和哈希码学习单元；哈希码学习单元包括哈希码学习网络和一个共享的多标签二值矩阵，损失模块包含特征提取单元的对抗损失，哈希码学习单元的三元边距损失、余弦量化损失和非对称哈希损失；2)利用训练的最优模型，生成跨模态数据集中每一模态数据的二值哈希码；3)对于一给定的查询数据，首先生成二值哈希码，然后计算该查询数据的二值哈希码与该跨模态数据集中与该查询数据模态不同的模态数据的二值哈希码之间计算汉明距离，得到满足条件的跨模态数据实例。
-
公开(公告)号：CN110222140B
公开(公告)日：2021-07-13
申请号：CN201910323769.X
申请日：2019-04-22
Applicant: 中国科学院信息工程研究所
IPC: G06F16/31 , G06F16/335 , G06F16/58 , G06F16/583 , G06F16/51 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于对抗学习和非对称哈希的跨模态检索方法，其步骤包括：1)选取一跨模态数据集并将其划分为训练集和测试集；对模型进行训练，该模型包括一损失模块、特征提取单元和哈希码学习单元；哈希码学习单元包括哈希码学习网络和一个共享的多标签二值矩阵，损失模块包含特征提取单元的对抗损失，哈希码学习单元的三元边距损失、余弦量化损失和非对称哈希损失；2)利用训练的最优模型，生成跨模态数据集中每一模态数据的二值哈希码；3)对于一给定的查询数据，首先生成二值哈希码，然后计算该查询数据的二值哈希码与该跨模态数据集中与该查询数据模态不同的模态数据的二值哈希码之间计算汉明距离，得到满足条件的跨模态数据实例。
-
公开(公告)号：CN110175248A
公开(公告)日：2019-08-27
申请号：CN201910270855.9
申请日：2019-04-04
Applicant: 中国科学院信息工程研究所
IPC: G06F16/51 , G06F16/55 , G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度学习和哈希编码的人脸图像检索方法和装置。该方法针对现有的人脸图像检索中人脸特征表达不充分、特征区分力不够的问题，提出人脸空间网络和人脸空间损失来自动地挖掘人脸图像中有区分力的人脸区域，降低背景信息的影响；同时哈希网络学习人脸特征和哈希码之间的内在关系，将人脸图像映射成哈希码，显著地降低检索的计算和存储代价；哈希网络中多尺度的人脸特征通道增强模块增强了人脸特征中区分力强的维度。本发明提供的交替训练的策略使得两个网络有机的融合在一起，减少了人脸特征提取和哈希码生成之间的信息损失，在增强了人脸特征的区分力的同时，增强了生成的哈希码的区分力，提高人脸检索的准确度。
-
公开(公告)号：CN110175248B
公开(公告)日：2021-08-31
申请号：CN201910270855.9
申请日：2019-04-04
Applicant: 中国科学院信息工程研究所
IPC: G06F16/51 , G06F16/55 , G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度学习和哈希编码的人脸图像检索方法和装置。该方法针对现有的人脸图像检索中人脸特征表达不充分、特征区分力不够的问题，提出人脸空间网络和人脸空间损失来自动地挖掘人脸图像中有区分力的人脸区域，降低背景信息的影响；同时哈希网络学习人脸特征和哈希码之间的内在关系，将人脸图像映射成哈希码，显著地降低检索的计算和存储代价；哈希网络中多尺度的人脸特征通道增强模块增强了人脸特征中区分力强的维度。本发明提供的交替训练的策略使得两个网络有机的融合在一起，减少了人脸特征提取和哈希码生成之间的信息损失，在增强了人脸特征的区分力的同时，增强了生成的哈希码的区分力，提高人脸检索的准确度。
-
-
-
Search Results
4
records
(took 0.07 seconds)
