-
公开(公告)号：CN119739886A
公开(公告)日：2025-04-01
申请号：CN202411796399.9
申请日：2024-12-06
Applicant: 武汉工程大学
IPC: G06F16/583 , G06F16/55 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/042
Abstract: 本发明公开了一种基于跨X语义超图学习的图像检索方法及系统，方法包括：导入待测图像；通过预先训练好的卷积神经网络跨层和多尺度提取全局特征和局部区域特征，并输出该卷积神经网络最后两层的特征谱；将特征谱输入预先构建的超图神经网络，生成语义超图，以模拟从不同层、不同尺度和不同图像中全局特征和局部区域特征之间的高阶相关性，并输出多层逻辑元向量；将多层逻辑元向量融合后输入到多码本量化器，通过多码本量化器中的量化码书进行计算，找到与待测图像的量化嵌入最接近的数据库图像对应的量化码，将所对应的数据库图像作为检索结果。本发明可提高细粒度图像检索的精度。
-
公开(公告)号：CN117274578B
公开(公告)日：2024-02-02
申请号：CN202311569672.X
申请日：2023-11-23
Applicant: 武汉工程大学
IPC: G06V10/25 , G06V10/77 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06F16/583
Abstract: 本发明公开了一种基于逻辑元变换乘积量化的细粒度图像检索方法，包括步骤：将待测图像导入卷积神经网络提取特征，输出最后一层的特征谱；再通过区域候选网络RPN将最后一层的特征谱生成Top‑N个部件，重新输入至卷积神经网络中，并将原始待测图像和Top‑N部件经过卷积神经网络后的最后三层特征进行融合级联；将融合级联后的输出特征通过线性投影生成相应的逻辑元，再通过逻辑元变换对生成的逻辑元向量重新加权；将重新加权后的逻辑元向量输入到细粒度图像检索模型，通过量化码书进行计算找到与待测图像的逻辑元向量最接近的数据库图像对应的量化码，将所对应的数据库图像作为检(56)对比文件Jun Xiang et al..An EfficientRetrieval System Framework for FabricsBased on Fine-Grained Similarity.《Entropy》.2022,全文.Shilin Wu et al..Improved Faster R-CNN for the Detection Method ofIndustrial Control Logic GraphRecognition《.Front. Bioeng. Biotechnol.》.2022,全文.Xin Lu et al..Attributes Grouping andMining Hashing for Fine-Grained ImageRetrieval《.MM '23: Proceedings of the31st ACM International Conference onMultimedia》.2023,全文.
-
公开(公告)号：CN117274578A
公开(公告)日：2023-12-22
申请号：CN202311569672.X
申请日：2023-11-23
Applicant: 武汉工程大学
IPC: G06V10/25 , G06V10/77 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06F16/583
Abstract: 本发明公开了一种基于逻辑元变换乘积量化的细粒度图像检索方法，包括步骤：将待测图像导入卷积神经网络提取特征，输出最后一层的特征谱；再通过区域候选网络RPN将最后一层的特征谱生成Top‑N个部件，重新输入至卷积神经网络中，并将原始待测图像和Top‑N部件经过卷积神经网络后的最后三层特征进行融合级联；将融合级联后的输出特征通过线性投影生成相应的逻辑元，再通过逻辑元变换对生成的逻辑元向量重新加权；将重新加权后的逻辑元向量输入到细粒度图像检索模型，通过量化码书进行计算找到与待测图像的逻辑元向量最接近的数据库图像对应的量化码，将所对应的数据库图像作为检索结果。本发明能够通过挖掘图像中最具辨别力的区域，提高细粒度图像检索的精度。
-
-
Search Results
3
records
(took 0.027 seconds)
