【技术实现步骤摘要】
图像检测方法、装置、电子设备及计算机可读存储介质
[0001]本申请涉及深度学习
,具体涉及一种图像检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着卷积神经网络技术的飞速发展,深度学习技术已经在计算机视觉领域内取得了突破性进展,尤其以图像特征提取为代表的检测分类任务,充分表明了基于深度学习方法在特征提取上的优越性,通过网络模型结构设计可对图片高维特征进行充分提取,更加符合人眼感知,更加有利于语义相似图像检测。语义相似图像是指图像内容相同或相似的图像,比如同一场景下拍摄不同角度获得的图像。语义相似图像检测旨在提取语义相似图像的特征信息,分析并量化特征之间的相似度。
[0003]然而,目前相似检测算法计算复杂度高,推理速度慢,针对语义相似图像检测能力较弱,并且检测准确率也比较低。因此,亟需一种能够提升语义相似图像检测能力并提高检测准确率的图像检测方法。
技术实现思路
[0004]本申请实施例提供一种图像检测方法、装置、电子设备及计算机可读存储介质,以提升语义相似图像检测效率以及检测准确率。
[0005]本申请实施例提供一种图像检测方法,包括:
[0006]对获取的第一图像和第二图像分别进行特征提取,得到第一图像对应的特征和第二图像对应的特征;
[0007]利用确定的组合复用层对第一图像对应的特征和第二图像对应的特征分别进行组合复用处理,得到第一图像对应的第一特征向量以及第二图像对应的第二特征向量;
[0008]确定第一特征向量与第二特 ...
【技术保护点】
【技术特征摘要】
1.一种图像检测方法,其特征在于,包括:对获取的第一图像和第二图像分别进行特征提取,得到所述第一图像对应的特征和所述第二图像对应的特征;利用确定的组合复用层对所述第一图像对应的特征和所述第二图像对应的特征分别进行组合复用处理,得到所述第一图像对应的第一特征向量以及所述第二图像对应的第二特征向量;确定所述第一特征向量与所述第二特征向量之间的相似度;根据所述相似度确定所述第一图像和所述第二图像的比对结果。2.如权利要求1所述的方法,其特征在于,所述对获取的第一图像和第二图像分别进行特征提取,得到所述第一图像对应的特征和所述第二图像对应的特征,包括:对获取的第一图像和第二图像分别进行卷积处理,得到所述第一图像对应的第一特征以及所述第二图像对应的第二特征;对所述第一特征和所述第二特征分别进行最大池化处理,得到所述第一特征中的主要特征以及所述第二特征中的主要特征;将所述第一特征中的主要特征作为所述第一图像对应的特征,以及将所述第二特征中的主要特征作为所述第二图像对应的特征。3.如权利要求2所述的方法,其特征在于,所述组合复用层包括若干个顺序连接的组合复用子层,所述组合复用子层包括卷积层、组归一化层和激活函数层。4.如权利要求3所述的方法,其特征在于,所述利用确定的组合复用层对所述第一图像对应的特征和所述第二图像对应的特征分别进行组合复用处理,得到所述第一图像对应的第一特征向量以及所述第二图像对应的第二特征向量,包括:将所述第一图像对应的特征作为第一高维特征,以及将所述第二图像对应的特征作为第二高维特征;利用确定的组合复用层对所述第一高维特征和所述第二高维特征分别进行组合复用处理,得到所述第一高维特征对应的第一组合复用特征以及所述第二高维特征对应的第二组合复用特征;对所述第一组合复用特征和所述第二组合复用特征分别进行卷积处理,得到所述第一图像对应的第一低维特征以及所述第二图像对应的第二低维特征;对所述第一低维特征以及所述第二低维特征分别进行全局池化处理,得到所述第一低维特征对应的第一全局特征以及所述第二低维特征对应的第二全局特征;对所述第一全局特征和所述第二全局特征分别进行全连接处理,得到所述第一图像对应的第一特征向量以及所述第二图像对应的第二特征向量。5.如权利要求4所述的方法,其特征在于,所述利用确定的组合复用层对所述第一高维特征和所述第二高维特征分别进行组合复用处理,得到所述第一高维特征对应的第一组合复用特征以及所述第二高维特征对应的第二组合复用特征,包括:将所述第一高维特征或所述第二高维特征输入确定的组合复用层,并确定所述组合复用层中第i个组合复用子层的输入特征,i=1、2、
…
、n,n为所述若干个顺序连接的组合复用子层的数量;基于所述第i个组合复用子层的至少一个卷积层,对所述输入特征进行卷积处理,得到
卷积特征;基于所述第i个组合复用子层的组归一化层,对所述卷积特征进行组归一化处理,得到归一化特征;基于所述第i个组合复用子层的激活函数层,对所述归一化特征进行非线...
【专利技术属性】
技术研发人员:黄海鹏,刘阳兴,
申请(专利权)人:武汉TCL集团工业研究院有限公司,
类型:发明
国别省市:
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。