[发明专利]图片检索的方法、装置及电子设备有效
申请号: | 201911131247.6 | 申请日: | 2019-11-18 |
公开(公告)号: | CN110851634B | 公开(公告)日: | 2022-07-19 |
发明(设计)人: | 杨嘉华 | 申请(专利权)人: | 广东三维家信息科技有限公司 |
主分类号: | G06F16/53 | 分类号: | G06F16/53;G06N3/04;G06N3/08 |
代理公司: | 北京超凡宏宇专利代理事务所(特殊普通合伙) 11463 | 代理人: | 安卫静 |
地址: | 510000 广东省广州市天河区天河软件园*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 图片 检索 方法 装置 电子设备 | ||
1.一种图片检索的方法,其特征在于,包括:
将最小化目标KL散度与目标互信息的差作为总优化目标,训练卷积神经网络编码器模型;其中,最大化训练图片和通过所述卷积神经网络编码器模型获取的特征向量之间的互信息,得到所述目标互信息;最小化所述特征向量和标准正态分布之间的KL散度,得到所述目标KL散度;
基于训练后的所述卷积神经网络编码器模型进行图片检索;
所述基于训练后的所述卷积神经网络编码器模型进行图片检索的步骤,包括:基于训练后的所述卷积神经网络编码器模型提取待检索图片和候选图片库中图片的特征,获取所述待检索图片和所述候选图片库中图片的特征向量;确定所述待检索图片的特征向量和所述候选图片库中每张图片的特征向量之间的相似度;选择预设数量的所述相似度满足阈值的所述候选图片库中图片作为检索结果。
2.根据权利要求1所述的图片检索的方法,其特征在于,所述目标互信息的计算公式为:
其中,I(x;z)表示输入的训练图片x的分布与特征向量z的分布之间的互信息;p(x)表示所述输入的训练图片x的分布;p(z)表示所述特征向量z的分布。
3.根据权利要求1所述的图片检索的方法,其特征在于,所述目标KL散度的计算公式为:
其中,q(z)表示所述标准正态分布。
4.根据权利要求1所述的图片检索的方法,其特征在于,所述总优化目标的计算公式为:
5.根据权利要求1所述的图片检索的方法,其特征在于,所述卷积神经网络编码器模型包括:卷积层、批量归一化层和最大池化层。
6.根据权利要求1所述的图片检索的方法,其特征在于,所述确定所述待检索图片的特征向量和所述候选图片库中每张图片的特征向量之间的相似度的步骤,包括:
计算所述待检索图片的特征向量和所述候选图片库中每张图片的特征向量之间的欧式距离;
根据所述欧式距离,采用最近邻搜索算法确定所述待检索图片的特征向量和所述候选图片库中每张图片的特征向量之间的相似度。
7.一种图片检索的装置,其特征在于,包括:
模型训练模块,用于将最小化目标KL散度与目标互信息的差作为总优化目标,训练卷积神经网络编码器模型;其中,最大化训练图片和通过所述卷积神经网络编码器模型获取的特征向量之间的互信息,得到所述目标互信息;最小化所述特征向量和标准正态分布之间的KL散度,得到所述目标KL散度;
图片检索模块,用于基于训练后的所述卷积神经网络编码器模型进行图片检索;
所述图片检索模块还用于:基于训练后的所述卷积神经网络编码器模型提取待检索图片和候选图片库中图片的特征,获取所述待检索图片和所述候选图片库中图片的特征向量;确定所述待检索图片的特征向量和所述候选图片库中每张图片的特征向量之间的相似度;选择预设数量的所述相似度满足阈值的所述候选图片库中图片作为检索结果。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东三维家信息科技有限公司,未经广东三维家信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911131247.6/1.html,转载请声明来源钻瓜专利网。