公开(公告)号：CN115587207A

公开(公告)日：2023-01-10

申请号：CN202211093673.7

申请日：2022-09-08

Applicant: 吉林大学

Inventor： 刘萍萍 ,  刘泽同 ,  单雪 ,  周求湛 ,  王一帆

IPC: G06F16/51 ,  G06F16/53 ,  G06F16/55 ,  G06F18/214 ,  G06F18/241 ,  G06F18/213 ,  G06N3/0464

Abstract: 本发明公开了一种基于分类标签的深度哈希检索方法。首先，利用深度卷积神经网络对训练图像数据库中的图像进行特征提取，在主网络后构建深度哈希网络学习类哈希码，在深度哈希网络后构建分类器学习分类特征。其次，使用类哈希码和分类特征分别计算度量学习损失和分类损失，并使用类哈希码和哈希码计算量化损失。最后，在测试阶段将分类标签二值化与哈希码拼接，得到的基于分类标签的哈希码用于检索。本发明提出的方法同时利用了分类信息和相似度信息，能达到良好的检索精度。

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

Inventor： 刘萍萍 ,  勾贵霞 ,  金白鑫 ,  石立达 ,  王振 ,  王慧 ,  朱俊杰 ,  单雪

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：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

Inventor： 刘萍萍 ,  勾贵霞 ,  金白鑫 ,  石立达 ,  王振 ,  王慧 ,  朱俊杰 ,  单雪

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。