The invention discloses a method for adopting deep learning sketch retrieval method, step (1), receiving retrieval sketches contour information and use all the colors corresponding text provides sketches of the text information as a \double index\ input data; step (2) in the picture, the target object query search feature matching; step (3), reordering based on contour information by sorting the text according to the control of color information using Euclidean distance formula. Compared with the prior art, the invention by judging whether the input color images to be retrieved into the reference range corresponding to a color or measure the distance and range boundary, and retrieval network sketch of the ranking results, achieve the retrieval accuracy improvement, compared with other methods can achieve better search results.
【技术实现步骤摘要】
采用深度学习的草图检索方法
本专利技术涉及人工智能
、深度学习的图像特征提取、等技术,特别是涉及一种基于异构索引信息的图像检索方法。
技术介绍
随着互联网和多媒体信息技术的飞速发展,图像信息正变得越来越重要,而众多行业的需求对专业的图像搜索提出了新的要求。传统的“以文搜图”的方式往往过度依赖于输入检索关键字和备查图像标注的准确性和完备性,难以保证复杂场景下的检索质量;而近年商用的“以图搜图”的方法所依赖的索引图一般不适用人工绘制或随地拍摄,因此,基于手绘草图的图像检索需求应运而生。手绘草图是一种由稀疏的曲线构成的用于描述物体大致轮廓的简化图像,它具有获取方便、表现直接、信息冗余少等优点。基于手绘草图的图像检索(以下简称“草图检索”)是一种以不携带颜色信息的手绘轮廓图为索引信息的图像检索技术,其需要解决的关键问题是如何从语义与结构两个层面综合度量给定草图与待检图像轮廓之间的相似程度。经过初步探索,研究者提出一些基于机器学习的草图检索算法,这些算法在某些简单任务集上取得较为可靠的性能,但其处理能力仍受限于某些亟待解决的技术难题,包括:(i)索引信息(手绘草图)与待检索对象(彩图/灰度图)对物体的表示方式有较大差别;(ii)手绘草图的表示精度难以控制,即待训练草图与对应图像的相似程度将极大影响训练结果的鲁棒性;(iii)训练集数量有限:目前可获得的训练所需数据不足,使得机器学习的结果难以达到理想效果。
技术实现思路
基于上述现有技术,本专利技术提出一种基于手绘草图的图像检索方法,实现了一种“双索引协同检索”方法,基于图像轮廓和颜色信息,综合利用草图提供的轮廓信 ...
【技术保护点】
一种采用深度学习的草图检索方法,其特征在于,该方法包括以下步骤:步骤(1)、接收待检索草图提供的轮廓信息和利用相应文本提供的草图中所有颜色的文本信息作为“双索引”输入数据;步骤(2)、在待查询数据集中搜索轮廓特征相匹配的图片目标对象;步骤(3)、利用欧几里德距离公式在由轮廓信息进行排序的基础上根据文字控制的颜色信息进行重新排序。
【技术特征摘要】
1.一种采用深度学习的草图检索方法,其特征在于,该方法包括以下步骤:步骤(1)、接收待检索草图提供的轮廓信息和利用相应文本提供的草图中所有颜色的文本信息作为“双索引”输入数据;步骤(2)、在待查询数据集中搜索轮廓特征相匹配的图片目标对象;步骤(3)、利用欧几里德距离公式在由轮廓信息进行排序的基础上根据文字控制的颜色信息进行重新排序。2.如权利要求1所述的采用深度学习的草图检索方法,其特征在于,所述步骤(2)具体包括以下步骤:首先,依据轮廓特征进行搜索,具体包括以下处理:训练好三元组神经网络:所述神经网络模型为一个深度学习的三元组排名模型:三个输入分支分别对应草图s、彩图正样本p+、彩图负样本p-,通过训练使得草图分支神经网络的输出值fθ(s)接近彩图正样本神经网络的输出fθ(p+),远离彩图负样本神经网络的输出fθ(p-),对于给定的三元组t=(s,p+,p-),将其损失函数表示为下式:Lθ(t)=max(0,Δ+D(fθ(s),fθ(p+))-D(fθ(s),fθ(p-)))其中,D(fθ(s),fθ(p+)),D(fθ(s),fθ(p-))分别表示草图s的特征分别与正样本p+和负样本p-特征之间的距离,Δ表示一个介于正样本—草图和负样本—草图距离之间的一个阈值度量;在两个候选图片中查询草图s到正样本p+的距离比负样本p-更小:D(fθ(s),fθ(p+))<D(fθ(s),fθ(p-));如果两张图片排序正确,之间的距离为大于Δ,表示这个三元组模型正确;否则,损失将是一个在0-1之间凸近似的排序损失,其测量违反了由三元组指定的期望排序顺序的程度,最终的目的是使得损失函数最小化,满足真正的排序顺序,损失函数的目标优化公式如下:其中,T表示三元组的训练集,θ表示从输入空间到映射空间fθ(·)深度模型的参数,并且R(·)表示l2正则项λ表示正则项参数;将用训练好的单支网络对数据库中的彩色图像一一进行特征提取并缓存,然后当输入草图时,经过单支网络的特征提取将对缓存的数据库特征进行匹配和排序,从而检索出与草图相似的彩色图片。3.如权利要求1所述的采用深度学习的草图检索方法,...
【专利技术属性】
技术研发人员:周圆,李绰,杨晶,霍树伟,毛爱玲,杨建兴,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。