-
公开(公告)号:CN110321451B
公开(公告)日:2022-08-05
申请号:CN201910340096.9
申请日:2019-04-25
Applicant: 吉林大学
IPC: G06F16/583 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种基于分布熵增益损失函数的图像检索算法,所述算法使用预训练网络进行初始化,根据图像检索任务的需求训练网络,在训练网络时使用自行设计的分布熵增益损失函数,提升了图像检索的准确率;分布熵增益损失函数结合了对比损失函数和相对熵,增强了训练网络时图像相似性度量的准确性;对比损失函数通过欧氏距离计算特征之间的相似度,相对熵可以用于衡量特征向量之间的分布差异,将相对熵补充到对比损失函数中改善了特征向量相似性度量;使用分布熵增益损失函数训练网络模型,通过调整网络参数得到更适用于图像检索任务的网络模型,训练后的网络模型在图像检索实验中取得了更优的检索效果。
-
公开(公告)号:CN110321451A
公开(公告)日:2019-10-11
申请号:CN201910340096.9
申请日:2019-04-25
Applicant: 吉林大学
IPC: G06F16/583 , G06K9/62
Abstract: 本发明公开了一种基于分布熵增益损失函数的图像检索算法,所述算法使用预训练网络进行初始化,根据图像检索任务的需求训练网络,在训练网络时使用自行设计的分布熵增益损失函数,提升了图像检索的准确率;分布熵增益损失函数结合了对比损失函数和相对熵,增强了训练网络时图像相似性度量的准确性;对比损失函数通过欧氏距离计算特征之间的相似度,相对熵可以用于衡量特征向量之间的分布差异,将相对熵补充到对比损失函数中改善了特征向量相似性度量;使用分布熵增益损失函数训练网络模型,通过调整网络参数得到更适用于图像检索任务的网络模型,训练后的网络模型在图像检索实验中取得了更优的检索效果。
-
公开(公告)号:CN110659378B
公开(公告)日:2023-02-10
申请号:CN201910844956.2
申请日:2019-09-07
Applicant: 吉林大学
IPC: G06F16/583
Abstract: 本发明公开了一种基于对比相似性损失函数的细粒度图像检索,所述为了挑选出更有价值的样本对,提出了一种新的样本对采样方法,该样本对采样方法利用类间相似性并通过不对称距离选择更多有效样本对用于训练。同时设计了一种新的加权方案对挑选出的有效样本对分配不同的权重实现对样本对的充分利用,不同样本对的权值是由它们违反正负边界的程度决定的。结合样本对采样和加权过程设计出一个新的对比相似性损失函数用以优化网络,通过该网络为每个类学习一个超球面,利用一个固定边界保持类内分布,并以一定的边距分离不同类别以保证它们的稀疏性。本发明的基于对比相似性损失函数的细粒度图像检索方法具有广泛的应用前景。
-
公开(公告)号:CN110334226B
公开(公告)日:2022-04-05
申请号:CN201910340084.6
申请日:2019-04-25
Applicant: 吉林大学
Abstract: 本发明公开了一种融合特征分布熵的深度图像检索方法,所述深度图像检索方法在图像检索中,从图像中提取的特征向量所携带的信息丰富程度会影响图像的检索效果,本发明提出了融合特征分布熵的深度图像检索方法。该算法的核心思想是在R‑MAC特征向量中加入特征分布熵将其作为R‑MAC特征的补充,将特征分布熵与R‑MAC特征通过加权求和的方式融合在一起,得到的特征向量具有区域分布信息和更强的描述能力,从而提升图像检索性能。
-
公开(公告)号:CN110659378A
公开(公告)日:2020-01-07
申请号:CN201910844956.2
申请日:2019-09-07
Applicant: 吉林大学
IPC: G06F16/583
Abstract: 本发明公开了一种基于对比相似性损失函数的细粒度图像检索,所述为了挑选出更有价值的样本对,提出了一种新的样本对采样方法,该样本对采样方法利用类间相似性并通过不对称距离选择更多有效样本对用于训练。同时设计了一种新的加权方案对挑选出的有效样本对分配不同的权重实现对样本对的充分利用,不同样本对的权值是由它们违反正负边界的程度决定的。结合样本对采样和加权过程设计出一个新的对比相似性损失函数用以优化网络,通过该网络为每个类学习一个超球面,利用一个固定边界保持类内分布,并以一定的边距分离不同类别以保证它们的稀疏性。本发明的基于对比相似性损失函数的细粒度图像检索方法具有广泛的应用前景。
-
公开(公告)号:CN110188225B
公开(公告)日:2022-05-31
申请号:CN201910272569.6
申请日:2019-04-04
Applicant: 吉林大学
IPC: G06F16/583 , G06F16/55 , G06K9/62
Abstract: 本发明公开了一种基于排序学习和多元损失的图像检索方法,该方法的核心思想是在选取对于查询图片的负样本组的同时求得其在于查询图像的相似度排序中的序号,将排序序号与特征结合求得损失函数并更新网络,从而准确提取图像特征。本发明将排序学习的理论引入到图像检索中,根据负样本与查询图片的欧式距离调整网络参数,能够更全面的学习图像特征从而进行更准确的检索。本发明充分考虑了负样本对实验的影响,可以根据模型的训练效果对负样本的数量进行调整。
-
公开(公告)号:CN110334226A
公开(公告)日:2019-10-15
申请号:CN201910340084.6
申请日:2019-04-25
Applicant: 吉林大学
Abstract: 本发明公开了一种融合特征分布熵的深度图像检索方法,所述深度图像检索方法在图像检索中,从图像中提取的特征向量所携带的信息丰富程度会影响图像的检索效果,本发明提出了融合特征分布熵的深度图像检索方法。该算法的核心思想是在R-MAC特征向量中加入特征分布熵将其作为R-MAC特征的补充,将特征分布熵与R-MAC特征通过加权求和的方式融合在一起,得到的特征向量具有区域分布信息和更强的描述能力,从而提升图像检索性能。
-
公开(公告)号:CN110188225A
公开(公告)日:2019-08-30
申请号:CN201910272569.6
申请日:2019-04-04
Applicant: 吉林大学
IPC: G06F16/583 , G06F16/55 , G06K9/62
Abstract: 本发明公开了一种基于排序学习和多元损失的图像检索方法,该方法的核心思想是在选取对于查询图片的负样本组的同时求得其在于查询图像的相似度排序中的序号,将排序序号与特征结合求得损失函数并更新网络,从而准确提取图像特征。本发明将排序学习的理论引入到图像检索中,根据负样本与查询图片的欧式距离调整网络参数,能够更全面的学习图像特征从而进行更准确的检索。本发明充分考虑了负样本对实验的影响,可以根据模型的训练效果对负样本的数量进行调整。
-
-
-
-
-
-
-