一种基于层次哈希学习的山火图像快速识别方法及系统.pdf
Do****76
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于层次哈希学习的山火图像快速识别方法及系统.pdf
本发明公开了一种基于层次哈希学习的山火图像快速识别方法及系统,包括:基于核映射对山火图像训练集进行处理并根据核化特征构建层次哈希学习模型,对层次哈希学习模型进行迭代,得到哈希函数和训练哈希码;利用哈希函数计算测试山火图像进行计算,得到测试哈希码;计算训练哈希码和测试哈希码之间的海明距离,利用投票策略快速识别测试山火图像。本发明采用分层哈希方案,该方案利用两层哈希函数分别学习粗哈希码和细哈希码,从而逐步细化有益的判别信息,从而缓解了维度骤降导致的重要判别信息的丢失,解决了现有技术采用的哈希学习方法中产生的维
一种基于快速类别更新的在线哈希学习图像检索方法.pdf
一种基于快速类别更新的在线哈希学习图像检索方法,涉及图像检索。针对传统的要求训练集一次性获得的哈希技术存在训练效率低下、存储空间消耗大的缺点,考虑在线学习的方案代替线下参数学习,构建基于类别相似性保留的汉明空间学习方法,提供一种基于图像数据流的哈希图像检索学习方案。包括以下步骤:1)不考虑用整体的训练集训练哈希模型,每次模型迭代中,仅使用一小块数据流;2)构建基于内积的相似性保留损失函数;3)使用基于类别的迭代更新;4)使用半量化方式的优化方案。
一种基于层次化特征互补的图像哈希检索方法.pdf
本发明公开了一种基于层次化特征互补的图像哈希检索方法,可应用于大规模的基于内容的图像检索,是一种能同时有效地提取图像的低层细节信息和高层语义信息且充分利用图像的全局特征和局部特征的算法。本发明同时提取出卷积神经网络中的低层特征图和高层特征图,可以获取图像的低层信息和高层信息,引入注意力模块,可以减少低层特征图中噪声的干扰,确保低层特征图的有效性,在卷积神经网络的高层特征图中添加多尺度特征融合,聚合不同区域的上下文信息,可以提高卷积神经网络获取局部细节信息的能力,通过对不同层次的信息进行增强后融合,可以保证
一种基于序数哈希的图像检索方法及系统.pdf
本发明属于图像检索相关领域,本发明提出了一种基于序数哈希的图像检索方法及系统,利用视觉Transformer和卷积神经网络,即保留卷积神经网络归纳偏置的优势;同时使用视觉Transformer弥补大跨度信息缺失的问题,同时增强图像的局部空间信息的利用。
一种基于深度哈希学习的菊花图像内容检索方法.pdf
本发明公开了一种基于深度哈希学习的菊花图像内容检索方法,该方法利用深度神经网络算法和Hash编码来进行图像的识别和检索,首先建立训练集和测试集对待识别图像进行预数据处理,增强图像的泛化能力和识别度,然后通过卷积神经网络构建菊花图像特征提取模型,通过在卷积神经网络的哈希层哈希编码实现查询计算。该方法基于深度哈希学习使得高维数据在向低维空间映射时,数据在高维空间的相似性能够在海明空间得到保持,使得高维数据在向低维空间映射时保持编码平衡准则,本发明对菊花数据集进行处理,增强数据集以增强模型泛化能力,并提高了图像