一种多尺度特征融合的图像检索方法技术

本发明专利技术涉及一种多尺度特征融合的图像检索方法，属于图像检索技术领域。方法包括：获取待检索的图像；将待检索的图像输入训练好的多尺度特征融合模型中，得到特征提取结果；多尺度特征融合模型包括主干网络、第一添加模块、第二添加模块以及特征融合模块；第一添加模块中包括至少一个添加层，第二添加模块包括至少一个添加层，各添加层均包括依次设置的空洞卷积层、第二归一化层和第二激活层，并且第一添加模块中的空洞卷积层的空洞率小于第二添加模块中的空洞卷积层的空洞率；根据特征提取结果在图像信息库中进行搜索，找到与特征提取结果相似的图像，完成待检索图像的检索。本发明专利技术的特征提取保留了更多的图像细节信息，进而提高图像检索的精度。高图像检索的精度。高图像检索的精度。

【技术实现步骤摘要】
一种多尺度特征融合的图像检索方法


[0001]本专利技术涉及一种多尺度特征融合的图像检索方法，属于图像检索


技术介绍

[0002]“一图胜千言”，相对于文本检索，图像检索具有直观形象、准确、高效等优势，因而被广泛应用于搜索引擎、电子商务、医学等领域。面对呈指数式增长的图像数据，如何从中准确、方便、快速地查询到感兴趣的图像，成为当前图像检索方向亟需解决的问题。
[0003]现有的图像检索方法一般包括特征提取、哈希函数学习和图像索引三个阶段。其中，通过特征提取对待检索图像的特征进行提取，并对提取的特征通过哈希函数进行哈希编码，最后通过索引的方式进行图像搜索，完成图像检索。
[0004]现有技术中一般采样深度学习的方式进行特征提取，深度学习受神经学研究的启发，构建了神经网络对信息进行学习和分析，主要针对海量数据进行逐层筛选和提取，获得特征表示，可以有效解决低层特征对图像内容表征能力不足的问题。基于深度哈希的图像检索以其搜索效率高、存储成本低、搜索结果准确等优势，逐渐成为图像检索的一个重要研究方向。根据哈希函数的训练是否有监督本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度特征融合的图像检索方法，其特征在于，包括以下步骤：1)获取待检索的图像；2)将待检索的图像输入训练好的多尺度特征融合模型中，得到特征提取结果；所述多尺度特征融合模型包括主干网络、第一添加模块、第二添加模块以及特征融合模块，主干网络输出连接第一添加模块，第一添加模块输出连接第二添加模块，特征融合模块连接主干网络、第一添加模块、第二添加模块的输出端；第一添加模块中包括至少一个添加层，第二添加模块包括至少一个添加层，各添加层均包括依次设置的空洞卷积层、第二归一化层和第二激活层，并且第一添加模块中的空洞卷积层的空洞率小于第二添加模块中的空洞卷积层的空洞率；主干网络用于输出至少一个基础特征图，第一添加模块用于输出第一添加特征图，第二添加模块用于输出第二添加特征图，特征融合模块用于将基础特征图、第一添加特征图、以及第二添加特征图进行融合后得到特征提取结果；3)根据特征提取结果在图像信息库中进行搜索，找到与特征提取结果相似的图像，完成待检索图像的检索。2.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述第一添加模块包括第一添加层、第二添加层和第三添加层，第一添加层、第二添加层和第三添加层的结构相同，第一添加层的输入端连接主干网络的输出端，第一添加层的输出端连接第二添加层的输入端，第二添加层的输出端连接第三添加层的输入端，第三添加层的输出端连接第二添加模块的输入端，且第三添加层输出连接特征融合模块。3.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，所述第二添加模块包括第四添加层和第五添加层，第四添加层和第五添加层的结构相同，第四添加层的输入端连接第一添加模块的输出端，第四添加层的输出端连接第五添加层的输入端，第五添加层的输出端连接特征融合模块。4.根据权利要求1所述的多尺度特征融合的图像检索方法，其特征在于，各...

【专利技术属性】
技术研发人员：周杨，蔡心悦，胡校飞，徐青，彭杨钊，赵璐颖，张衡，黄高爽，阎晓东，苑婧，张呈龙，刘龙辉，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：