公开(公告)号：CN112632313A

公开(公告)日：2021-04-09

申请号：CN202011559620.0

申请日：2020-12-25

Applicant: 江南大学

Inventor： 李岳阳 ,  徐东东 ,  罗海驰 ,  樊启高 ,  朱一昕

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

Abstract: 本发明公开了一种基于深度学习的蕾丝花边检索方法，属于机器视觉和深度学习技术领域。该方法采用深度学习网络自动提取蕾丝花边图像的特征，无需人为干预，从而具有很好的鲁棒性和较强的泛化能力；具体的，采用孪生神经网络，并构造训练孪生神经网络所需的(A，P)正例对和(A，N)负例对，在训练孪生神经网络时，使得正例对中的样本A和P的特征向量之间的欧式距离尽可能小，而对于负例对则使得其特征向量之间的欧式距离尽可能大，最终得到训练好的孪生神经网络实现检索；采用该检索方法，所检索出的准确结果排在所有检索结果中第1个位置的百分比值可达98.39％，而所检索出的准确结果排在前10个位置的百分比值可达100％。

公开(公告)号：CN112632313B

公开(公告)日：2024-09-06

申请号：CN202011559620.0

申请日：2020-12-25

Applicant: 江南大学

Inventor： 李岳阳 ,  徐东东 ,  罗海驰 ,  樊启高 ,  朱一昕

IPC: G06F16/583 ,  G06V10/80 ,  G06V10/82 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的蕾丝花边检索方法，属于机器视觉和深度学习技术领域。该方法采用深度学习网络自动提取蕾丝花边图像的特征，无需人为干预，从而具有很好的鲁棒性和较强的泛化能力；具体的，采用孪生神经网络，并构造训练孪生神经网络所需的(A，P)正例对和(A，N)负例对，在训练孪生神经网络时，使得正例对中的样本A和P的特征向量之间的欧式距离尽可能小，而对于负例对则使得其特征向量之间的欧式距离尽可能大，最终得到训练好的孪生神经网络实现检索；采用该检索方法，所检索出的准确结果排在所有检索结果中第1个位置的百分比值可达98.39％，而所检索出的准确结果排在前10个位置的百分比值可达100％。