公开(公告)号：CN110334226A

公开(公告)日：2019-10-15

申请号：CN201910340084.6

申请日：2019-04-25

Applicant: 吉林大学

Inventor： 刘萍萍 ,  郭慧俐 ,  勾贵霞 ,  苗壮 ,  石立达 ,  金百鑫 ,  王振 ,  王慧

IPC: G06F16/53 ,  G06F16/55 ,  G06N3/04

Abstract: 本发明公开了一种融合特征分布熵的深度图像检索方法，所述深度图像检索方法在图像检索中，从图像中提取的特征向量所携带的信息丰富程度会影响图像的检索效果，本发明提出了融合特征分布熵的深度图像检索方法。该算法的核心思想是在R-MAC特征向量中加入特征分布熵将其作为R-MAC特征的补充，将特征分布熵与R-MAC特征通过加权求和的方式融合在一起，得到的特征向量具有区域分布信息和更强的描述能力，从而提升图像检索性能。

公开(公告)号：CN110321451A

公开(公告)日：2019-10-11

申请号：CN201910340096.9

申请日：2019-04-25

Applicant: 吉林大学

Inventor： 刘萍萍 ,  苗壮 ,  勾贵霞 ,  郭慧俐 ,  石立达 ,  金百鑫 ,  王振 ,  王慧 ,  龚柯

IPC: G06F16/583 ,  G06K9/62

Abstract: 本发明公开了一种基于分布熵增益损失函数的图像检索算法，所述算法使用预训练网络进行初始化，根据图像检索任务的需求训练网络，在训练网络时使用自行设计的分布熵增益损失函数，提升了图像检索的准确率；分布熵增益损失函数结合了对比损失函数和相对熵，增强了训练网络时图像相似性度量的准确性；对比损失函数通过欧氏距离计算特征之间的相似度，相对熵可以用于衡量特征向量之间的分布差异，将相对熵补充到对比损失函数中改善了特征向量相似性度量；使用分布熵增益损失函数训练网络模型，通过调整网络参数得到更适用于图像检索任务的网络模型，训练后的网络模型在图像检索实验中取得了更优的检索效果。

公开(公告)号：CN110334226B

公开(公告)日：2022-04-05

申请号：CN201910340084.6

申请日：2019-04-25

Applicant: 吉林大学

Inventor： 刘萍萍 ,  郭慧俐 ,  勾贵霞 ,  苗壮 ,  石立达 ,  金百鑫 ,  王振 ,  王慧

IPC: G06F16/53 ,  G06F16/55 ,  G06N3/04

Abstract: 本发明公开了一种融合特征分布熵的深度图像检索方法，所述深度图像检索方法在图像检索中，从图像中提取的特征向量所携带的信息丰富程度会影响图像的检索效果，本发明提出了融合特征分布熵的深度图像检索方法。该算法的核心思想是在R‑MAC特征向量中加入特征分布熵将其作为R‑MAC特征的补充，将特征分布熵与R‑MAC特征通过加权求和的方式融合在一起，得到的特征向量具有区域分布信息和更强的描述能力，从而提升图像检索性能。

公开(公告)号：CN110321451B

公开(公告)日：2022-08-05

申请号：CN201910340096.9

申请日：2019-04-25

Applicant: 吉林大学

Inventor： 刘萍萍 ,  苗壮 ,  勾贵霞 ,  郭慧俐 ,  石立达 ,  金百鑫 ,  王振 ,  王慧 ,  龚柯

IPC: G06F16/583 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62

Abstract: 本发明公开了一种基于分布熵增益损失函数的图像检索算法，所述算法使用预训练网络进行初始化，根据图像检索任务的需求训练网络，在训练网络时使用自行设计的分布熵增益损失函数，提升了图像检索的准确率；分布熵增益损失函数结合了对比损失函数和相对熵，增强了训练网络时图像相似性度量的准确性；对比损失函数通过欧氏距离计算特征之间的相似度，相对熵可以用于衡量特征向量之间的分布差异，将相对熵补充到对比损失函数中改善了特征向量相似性度量；使用分布熵增益损失函数训练网络模型，通过调整网络参数得到更适用于图像检索任务的网络模型，训练后的网络模型在图像检索实验中取得了更优的检索效果。