图像检索方法、装置、存储介质及设备制造方法及图纸

本申请公开了一种图像检索方法、装置、存储介质及设备，属于人工智能技术领域。方法包括：获取待匹配图像，按照第一特征提取方式对待匹配图像进行特征提取，得到第一特征，第一特征提取方式为基于深度学习的提取方式；基于待匹配图像的第一特征，确定与待匹配图像匹配的至少一个候选图像，按照第二特征提取方式对待匹配图像和各个候选图像进行特征提取，得到第二特征，第二特征提取方式为基于非深度学习的提取方式；基于提取到的手工特征，将待匹配图像依次与各个候选图像进行关键点匹配处理；将至少一个候选图像中的第一图像确定为图像检索结果，第一图像与待匹配图像之间匹配的关键点数量大于数量阈值。本申请有效地提升了检索效率和检索精度。

Image retrieval method, device, storage medium and equipment

【技术实现步骤摘要】
图像检索方法、装置、存储介质及设备
本申请涉及人工智能
，特别涉及一种图像检索方法、装置、存储介质及设备。
技术介绍
AI(ArtificialIntelligence，人工智能)，是目前研究和开发用于模拟、延伸以及扩展人类智能的一门新兴科学技术。时下AI技术已经被广泛应用于多种场景下，比如图像检索场景便是其中一种。简单来说，图像检索是从海量图像中检索与某个图像相似或相同的其他图像，即是以图找图，允许用户输入一个图像，以查找相似或相同的其他图像。在进行图像检索时，检索效率和检索精度至关重要，是衡量一个图像检索方案的重要指标。因此，如何进行图像检索，以保证图像的检索效率和检索精度，成为了时下本领域技术人员亟待解决的一个问题。
技术实现思路
本申请实施例提供了一种图像检索方法、装置、存储介质及设备，在确保检索效率的前提下，还能够有效地提升检索精度。技术方案如下：一方面，提供了一种图像检索方法，所述方法包括：获取待匹配图像，按照第一特征提取方式对所述待匹配图像进行特征提取，得到第一特征，所述第一特征提本文档来自技高网...

【技术保护点】
1.一种图像检索方法，其特征在于，所述方法包括：/n获取待匹配图像，按照第一特征提取方式对所述待匹配图像进行特征提取，得到第一特征，所述第一特征提取方式为基于深度学习的提取方式；/n基于所述待匹配图像的第一特征，确定与所述待匹配图像匹配的至少一个候选图像，按照第二特征提取方式对所述待匹配图像和各个候选图像进行特征提取，得到第二特征，所述第二特征提取方式为基于非深度学习的提取方式；/n基于提取到的第二特征，将所述待匹配图像依次与各个候选图像进行关键点匹配处理，将所述至少一个候选图像中的第一图像确定为图像检索结果，所述第一图像与所述待匹配图像之间匹配的关键点数量大于数量阈值。/n

【技术特征摘要】
1.一种图像检索方法，其特征在于，所述方法包括：
获取待匹配图像，按照第一特征提取方式对所述待匹配图像进行特征提取，得到第一特征，所述第一特征提取方式为基于深度学习的提取方式；
基于所述待匹配图像的第一特征，确定与所述待匹配图像匹配的至少一个候选图像，按照第二特征提取方式对所述待匹配图像和各个候选图像进行特征提取，得到第二特征，所述第二特征提取方式为基于非深度学习的提取方式；
基于提取到的第二特征，将所述待匹配图像依次与各个候选图像进行关键点匹配处理，将所述至少一个候选图像中的第一图像确定为图像检索结果，所述第一图像与所述待匹配图像之间匹配的关键点数量大于数量阈值。


2.根据权利要求1所述的方法，其特征在于，所述按照第一特征提取方式对所述待匹配图像进行特征提取，包括：
基于深度学习模型对所述待匹配图像进行特征提取，所述深度学习模型是基于第一训练数据集和第二训练数据集训练得到的；
其中，所述第一训练数据集为具有标签的数据集，所述第二训练数据集为未设置标签的数据集。


3.根据权利要求2所述的方法，其特征在于，所述深度学习模型包括卷积神经网络、聚类分支和分类分支，所述深度学习模型的训练过程，包括：
将所述第一训练数据集和所述第二训练数据集中包括的样本图像输入至所述卷积神经网络；
调用所述聚类分支的聚类模型，迭代地对所述卷积神经网络输出的特征数据进行聚类，将得到的聚类结果作为伪标签输出至所述分类分支；
调用所述分类分支的分类器，获取基于所述伪标签的损失值，根据所述损失值迭代地更新所述卷积神经网络的权重。


4.根据权利要求3所述的方法，其特征在于，所述获取基于所述伪标签的损失值，包括：
将所述伪标签、所述卷积神经网络输出的特征数据、以及所述分类器对所述卷积神经网络输出的特征数据的分类结果，作为基于所述伪标签的损失值。


5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取相邻两轮聚类结果的标准互信息，所述标准互信息指示了所述深度学习模型的稳定性，所述标准互信息的取值越大表明所述深度学习模型越接近收敛状态；
根据所述标准互信息确定所述深度学习模型的收敛状态，在所述深度学习模型达到收敛状态后终止模型训练过程，其中，所述深度学习模型的收敛条件为所述标准互信息的取值达到一个稳定数值。


6.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述基于所述待匹配图像的深度学习特征，确定与所述待匹配图像匹配的至少一个候选图像，包括：
获取所述待匹配图像的第一特征与特征数据库中存储的第一特征之间的特征距离，按照特征距离由大到小的顺序，对与存储的第一特征对应的检索图像进行排序；
将排序在前指定数目个的检索图像，确定为所述至少一个候选图像。


7.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述对各个候选图像进行第二特征提取，包括：
获取各个候选图像的第一特征；分别获取各个候选图像的第一...

【专利技术属性】
技术研发人员：牟帅，肖万鹏，鞠奇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44