[发明专利]基于广义平均池化策略的哈希图像检索方法及装置在审
申请号: | 202111205417.8 | 申请日: | 2021-10-15 |
公开(公告)号: | CN114064948A | 公开(公告)日: | 2022-02-18 |
发明(设计)人: | 陈海顺;刘娇;田福康 | 申请(专利权)人: | 西安深信科创信息技术有限公司 |
主分类号: | G06F16/51 | 分类号: | G06F16/51;G06F16/532;G06F16/583 |
代理公司: | 西安嘉思特知识产权代理事务所(普通合伙) 61230 | 代理人: | 王海栋 |
地址: | 710000 陕西省西安市高新区鱼*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 广义 平均 策略 希图 检索 方法 装置 | ||
本发明涉及一种基于广义平均池化策略的哈希图像检索方法及装置,该方法包括:建立图像特征库的特征索引;利用预先训练完成的特征提取网络对待检索图像进行特征提取,得到待检索图像特征向量;利用局部敏感哈希算法对待检索图像特征向量进行映射,将其映射到哈希桶中;根据特征索引,查找得到该哈希桶对应的图像特征向量;计算待检索图像特征向量与哈希桶对应的图像特征向量之间的相似度,并按照从小到大的距离排序,输出前k个检索结果,k取值为正整数,完成图像检索。该检索方法能够加快在图像库中检索相似性图像的过程,实现待检索图像的在图像库中的快速匹配。
技术领域
本发明属于数字图像处理技术领域,具体涉及一种基于广义平均池化策略的哈希图像检索方法及装置。
背景技术
图像检索技术针对用户感兴趣的图像内容,按照特定的相似度衡量标准,将相关图像以相似度由高到底的方式呈现给用户。其核心问题在于如何浓缩图像的信息,获取图像的特征描述子,充分表达图像的内容信息。近年来,随着互联网技术的快速发展,信息大量过载,如何在庞大的图像库中方便、快速、准确地查询和检索图像数据仍是一个待解决的问题。
大规模图像检索问题,存在着维度高、数据量大、计算耗时等问题。检索问题在本质上可以看做是一种最近邻搜索问题。传统的搜索方式如经典的kd-树、R-树等在海量数据背景下,其获取精确的最近邻搜索结果需要难以想象的时间和空间开销。
在图像检索系统中,有效的图像语义特征提取非常关键。近年来,随着深度学习技术的普及,大量的特征提取算法都逐渐开始利用深度学习进行特征提取,池化操作是在特征提取的基础上对每个特征进行处理,然后将得到的数据进行融合,得到最终的结果。传统的池化策略对提取的局部特征图进行同等对待,不符合人类视觉系统的非线性特点,而且现有的检索方法在大规模数据下会存在图像的有效特征信息缺失和检索速度慢等问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于广义平均池化策略的哈希图像检索方法及装置。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种基于广义平均池化策略的哈希图像检索方法,包括:
建立图像特征库的特征索引;
利用预先训练完成的特征提取网络对待检索图像进行特征提取,得到待检索图像特征向量;
利用局部敏感哈希算法对所述待检索图像特征向量进行映射,将其映射到哈希桶中;
根据所述特征索引,查找得到该哈希桶对应的图像特征向量;
计算所述待检索图像特征向量与所述哈希桶对应的图像特征向量之间的相似度,并按照从小到大的距离排序,输出前k个检索结果,k取值为正整数,完成图像检索。
在本发明的一个实施例中,建立图像特征库的特征索引,包括:
利用预先训练完成的特征提取网络对预设的图像数据集中的图像进行特征提取,构建得到所述图像特征库;
利用局部敏感哈希算法对所述图像特征库中的图像特征向量进行映射,将所述图像特征向量映射到哈希桶,建立所述哈希桶与所述图像特征向量之间的索引,作为所述特征索引;
其中,相似的图像特征向量被映射到同一哈希桶。
在本发明的一个实施例中,所述特征提取网络包括级联的特征提取单元和特征融合单元,其中,
所述特征提取单元为ResNet101卷积神经网络,用于对输入的图像进行特征提取,得到若干特征图;
所述特征融合单元为广义平均池化层,用于对若干所述特征图进行特征融合,得到图像特征向量。
在本发明的一个实施例中,利用预先训练完成的特征提取网络对待检索图像进行特征提取,之前还包括:
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西安深信科创信息技术有限公司,未经西安深信科创信息技术有限公司许可,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/202111205417.8/2.html,转载请声明来源钻瓜专利网。