公开(公告)号：CN109086437A

公开(公告)日：2018-12-25

申请号：CN201810926656.4

申请日：2018-08-15

Applicant: 重庆大学 ,  桂林电子科技大学

Inventor： 冯永 ,  张逸扬 ,  尚家兴 ,  强保华 ,  邱媛媛

IPC: G06F17/30 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开一种融合Faster-RCNN(Faster-Regions with Convolutional Neural Network,快速区域卷积神经网络)和Wasserstein自编码器的图像检索方法。本发明搭建深度学习框架，采用Faster-RCNN模型提取图像特征；对Faster-RCNN模型进行训练，微调网络权重；提取图像的全局特征，构建图像的全局特征图库；构建Wasserstein自编码器，并对Wasserstein自编码器进行训练；采用Wasserstein自编码器对全局特征进行降维，计算欧几里得距离得出第一相似度，并进行第一次排序，完成图像的粗粒度检索；提取图像中候选区域的特征作为局部特征，构建图像的局部特征图库；采用Wasserstein自编码器对局部特征进行降维，计算第二相似度并进行第二次排序，完成图像的细粒度检索。该方法能加快图像的检索速度以及提高图像检索的准确率。

公开(公告)号：CN109086437B

公开(公告)日：2021-06-01

申请号：CN201810926656.4

申请日：2018-08-15

Applicant: 重庆大学 ,  桂林电子科技大学

Inventor： 冯永 ,  张逸扬 ,  尚家兴 ,  强保华 ,  邱媛媛

IPC: G06F16/583 ,  G06F16/51 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种融合Faster‑RCNN(Faster‑Regions with Convolutional Neural Network,快速区域卷积神经网络)和Wasserstein自编码器的图像检索方法。本发明搭建深度学习框架，采用Faster‑RCNN模型提取图像特征；对Faster‑RCNN模型进行训练，微调网络权重；提取图像的全局特征，构建图像的全局特征图库；构建Wasserstein自编码器，并对Wasserstein自编码器进行训练；采用Wasserstein自编码器对全局特征进行降维，计算欧几里得距离得出第一相似度，并进行第一次排序，完成图像的粗粒度检索；提取图像中候选区域的特征作为局部特征，构建图像的局部特征图库；采用Wasserstein自编码器对局部特征进行降维，计算第二相似度并进行第二次排序，完成图像的细粒度检索。该方法能加快图像的检索速度以及提高图像检索的准确率。