-
公开(公告)号：CN108875076A
公开(公告)日：2018-11-23
申请号：CN201810750096.1
申请日：2018-07-10
Abstract: 本发明公开了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，包括搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；使用FlickrLogos‑32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；基于训练好的添加了Attention网络的VGG16网络模型生成Attention‑MAC商标特征提取模型；基于Attention‑MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。本发明避免使用全连接层冗余的参数，达到精简模型的目的，提高训练和检索的速度，降低误检率。
-
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
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。
-
公开(公告)号：CN108875076B
公开(公告)日：2021-07-20
申请号：CN201810750096.1
申请日：2018-07-10
IPC: G06F16/583 , G06N3/04
Abstract: 本发明公开了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，包括搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；使用FlickrLogos‑32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；基于训练好的添加了Attention网络的VGG16网络模型生成Attention‑MAC商标特征提取模型；基于Attention‑MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。本发明避免使用全连接层冗余的参数，达到精简模型的目的，提高训练和检索的速度，降低误检率。
-
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
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。
-
-
-
Search Results
4
records
(took 0.065 seconds)
