-
公开(公告)号：CN117725243A
公开(公告)日：2024-03-19
申请号：CN202410173702.3
申请日：2024-02-07
Applicant: 厦门大学
IPC: G06F16/532 , G06F16/583 , G06F16/55 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于层级语义区域分解的类无关实例检索方法，该检索方法通过检测器提取特征图像的实例，并将实例存储在潜在实例库中；然后通过描述器将潜在实例库中的实例进行特征提取，得到实例特征，并将实例特征存储在特征库中；当输入查询图片时，检索器对查询图片进行特征提取得到查询特征，并将查询特征与特征库中的实例特征进行匹配，获取与查询特征最为相似的前K个实例特征作为检索结果。本发明在检测器中，通过对图像进行分层语义区域分解和筛选来实现对不同尺度实例级区域的快速发现，以达到全面地发现可能被检索的实例的目的。这种分层分解很好地解决了真实实例检索场景中普遍存在的对象遮挡和嵌入问题。
-
公开(公告)号：CN111914107B
公开(公告)日：2022-06-14
申请号：CN202010746717.6
申请日：2020-07-29
Applicant: 厦门大学
Abstract: 一种基于多通道注意力区域扩展的实例检索方法，涉及图像检索技术领域。首先提出多通道注意力区域扩展模块，在网络训练中仅依赖图像类别标签，从多个通道进行注意力区域扩展操作，分别实现对图像中的多个实例进行相对完整的定位。根据定位进行特征提取的过程中，引入多分支联合训练，在提取特征时保留原信息，并进一步获得深层语义信息，增强特征的判别力。不同于已有的技术，只依赖图像类别标签训练卷积神经网络，基于类激活图和注意力区域扩展模块对图像中实例进行定位的同时，提取具有判别性的实例特征用于实例检索。可应用到电商网站的在线购物、视频媒体的智能化检索等现实场景。
-
公开(公告)号：CN111914107A
公开(公告)日：2020-11-10
申请号：CN202010746717.6
申请日：2020-07-29
Applicant: 厦门大学
Abstract: 一种基于多通道注意力区域扩展的实例检索方法，涉及图像检索技术领域。首先提出多通道注意力区域扩展模块，在网络训练中仅依赖图像类别标签，从多个通道进行注意力区域扩展操作，分别实现对图像中的多个实例进行相对完整的定位。根据定位进行特征提取的过程中，引入多分支联合训练，在提取特征时保留原信息，并进一步获得深层语义信息，增强特征的判别力。不同于已有的技术，只依赖图像类别标签训练卷积神经网络，基于类激活图和注意力区域扩展模块对图像中实例进行定位的同时，提取具有判别性的实例特征用于实例检索。可应用到电商网站的在线购物、视频媒体的智能化检索等现实场景。
-
公开(公告)号：CN113553232B
公开(公告)日：2023-12-05
申请号：CN202110783748.3
申请日：2021-07-12
Applicant: 厦门大学
IPC: G06F11/07 , G06F11/30 , G06F11/34 , G06F18/2433 , G06F18/22 , G06F18/15 , G06F123/02
Abstract: 本发明公开了一种通过在线矩阵画像对运维数据进行无监督异常检测方法，其首先采用窗口大小为m的滑动窗口将时间序列X分为多个子序列Xi，m；然后基于多个子序列Xi，m构建在线矩阵画像P＝{p1，…，pt，…，pn‑m+1}；最后通过在线矩阵画像算法计算出最近邻子序列，并利用最近邻子序列计算出xt的距离显著性rt，若距离显著性rt大于预定义阈值τ，则被认为是异常，否则被认为是正常。本发明能够进行无监督单变量时间序列异常检测任务，不需要进行任何模型地训练且能高效准确地找出异常。
-
公开(公告)号：CN115205554A
公开(公告)日：2022-10-18
申请号：CN202210725320.8
申请日：2022-06-23
Applicant: 厦门大学
Abstract: 本发明公开了一种基于语义概念抽取的检索方法，其包括：获取查询特征；将查询特征与候选特征数据库中的候选特征进行相似度计算，得到相似度排序结果；将相似度排序结果作为检索结果返回。其中，候选特征由图像数据库中的图像经特征提取后得到：从图像中提取基本语义元素；进行语义概念切割得到语义概念特征；语义概念特征经过L2正则化、PCA白化以及再一轮L2正则化处理，得到候选特征。本发明所提取的语义概念特征粒度可覆盖实例级别与图像级别，使得所提取的特征能够描述全局与局部的图像语义信息，从而能够在一套框架内统一图像检索与实例检索，因此既可用于实例检索任务，也可用于图像检索任务。
-
Patent Agency Ranking
公开(公告)号：CN111914109A
公开(公告)日：2020-11-10
申请号：CN202010745141.1
申请日：2020-07-29
Applicant: 厦门大学
IPC: G06F16/532 , G06N3/04 , G06N3/08
Abstract: 一种基于深度度量学习的服装检索技术，涉及基于内容的图像检索领域。包括以下步骤：1)模型设计：将一批服装图片经过卷积神经网络及全连接层得到特征嵌入；2)采样方法：按照余弦相似度即已知的正负样本对的相似度信息，选取训练样本图片样本对；3)损失函数：将步骤2)采样方法选取出来的图片样本对，带入设计的损失函数中计算损失，反传以训练模型。利用卷积神经网络后接全连接层的设计来提取图片特征，性能良好且简单、参数少；采样方法可有效挖掘简单和困难样本对所携带的信息，同时防止无限制得惩罚以破坏嵌入空间的整体结构性。损失函数可随着训练过程调整困难样本对的损失大小，以充分学习到简单样本对和困难样本对的信息。
-
公开(公告)号：CN109961104A
公开(公告)日：2019-07-02
申请号：CN201910266733.2
申请日：2019-04-03
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 一种泛化的k近邻图合并方法。把子图G和H分别分割为由每个数据前k/2近邻表组成的子图G+和H+以及由每个数据后k/2个近邻表组成的子图G‑和H‑；为子图G+的每个k/2近邻表从数据集V中随机取k/2个数据点补充，使得图G+中每个数据拥有k个近邻；为子图H+的每个k/2近邻表从数据集W中随机取k/2个数据点补充，使得图H+中每个数据拥有k个近邻；直接拼接子图G+和H+，获得k近邻图R；采用如下最近邻下降步骤优化k近邻图R；把子图G‑中的每个k/2个列表与R对应的数据k近邻表合并，取最近的k个近邻数据；把子图H‑中的每个k/2列表与R对应的数据k近邻表合并，取最近的k个近邻；输出R。
-
公开(公告)号：CN107193938A
公开(公告)日：2017-09-22
申请号：CN201710356737.0
申请日：2017-05-19
IPC: G06F17/30
CPC classification number: G06F17/30321 , G06F17/30442
Abstract: 基于混合向量量化的最近邻搜索方法，涉及信息检索与多媒体检索。该类方法与现有向量量化方法不同的是，它对低阶余向量(一阶为原向量)采用传统余向量量化方式，而对高阶余向量，将它的方向向量和能量分别量化。一方面，向量量化后的低阶码将用来生成倒排索引结构的索引键值；另一方面，对每一高阶余向量进行分解。把一个向量分解为方向向量和能量。对方向向量和能量分别量化。与其他已有的量化方法相比，该方法训练码本以及量化过程都比目前的方法简单，同时取得较好的编码准确率。
-
公开(公告)号：CN117453944A
公开(公告)日：2024-01-26
申请号：CN202311793485.X
申请日：2023-12-25
Applicant: 厦门大学
Abstract: 本发明涉及一种多层级显著区域分解的无监督实例检索方法及系统，其基于图结构归一化切割方法，提出显著区域分解的实例定位方法和基于掩码的感兴趣区域特征提取方法，实现了图像中的显著实例发现和显著实例的多层级分解。本发明解决了先前方法提取图像级特征或者区域级实例特征的问题；提高了实例级及其子区域定位的准确性与完整性；提高实例特征的特征区分度同时减少背景噪声对实例定位结果的干扰。
-
公开(公告)号：CN112507149A
公开(公告)日：2021-03-16
申请号：CN202011271641.2
申请日：2020-11-13
Applicant: 厦门大学
IPC: G06F16/51 , G06F16/583
Abstract: 本发明涉及一种动态k近邻图的构建方法及基于动态k近邻图的快速图像检索方法，其实现了对近似k近邻图的在线更新，并基于该动态k近邻图实现了快速的图像检索，由于未假定向量间的距离度量，该方法具有良好的泛化性，并且在保证k近邻图的质量的同时在大部分数据集上展现了超过最近邻下降方法的建图效率，在数个图像特征数据集上的检索效率也要好于HNSW等被广泛认可的方法。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.021 seconds)
