专利交易市场

本公开提供了一种基于深度哈希的运动捕获数据检索方法及系统，所述方案包括：基于运动捕获数据库中的运动捕获数据序列，生成每段运动捕获数据的运动表示图像；构建深度哈希特征提取模型，通过预训练的深度哈希特征提取模型提取所述运动表示图像的哈希特征；对于待检索的运动捕获数据，提取其哈希特征，并计算待检索的运动捕获数据哈希特征与所述运动捕获数据库中每段运动捕获数据哈希特征的距离，选择距离最近的前k个数据作为检索结果。本公开所述方案相对于现有技术具有更高的检索精度和效率。

本发明公开了一种基于三元组网络的深度哈希图像检索方法，具体为：采用三元组网络作为CNN网络进行图像特征学习；根据特征学习的情况进行损失函数优化，使得同一类别的样本图像对在特征空间的距离小于不同类别之间的样本图像对，优化神经网络模型；将查询图像与测试集图像输入三元组网络，分别得到图像的二进制哈希编码和fc7层的深度特征向量，先利用二进制哈希编码进行粗检索，根据汉明距离大小和设定的阈值得到相似图像的候选集图像，再利用fc7层深度特征进行细检索，计算查询图像与候选集图像的fc7层特征向量的欧氏距离，根据欧氏距离由小到大的顺序，得到最终n个检索结果。本发明解决了现有技术中存在的图像检索精度不高的问题。

本发明公开了一种基于特定类原型的深度哈希网络图像检索方法及装置，涉及计算机信息检索技术领域。基于特定类原型深度哈希网络的数据检索方法具体包括：建立深度哈希网络模型；获取待检索的目标图像信息；根据所述深度哈希网络模型对所述目标图像信息进行检索，得到检索结果。本发明通过标签信息分解学习得到离散的特定类原型，作为语义标签的中间语义表示，并建立所述图像数据的哈希码和所述特定类原型之间的粗略语义关系，并通过成对的监督信息构造所有哈希码之间的精细化语义关系，该中间表示缩小了语义标签和哈希码之间的语义差距，解决语义标签与哈希码之间存在的语义鸿沟和域鸿沟问题，提升了哈希检索的性能。

本发明请求保护一种多图正则化深度哈希多模态医学图像检索方法，具体是通过多通道深度模型同时提取多模态医学图像组的特征；根据多模态医学图像组的特征对应构建多个图正则化矩阵；融合多个图正则化矩阵，并利用模态自适应受限玻尔兹曼机学习得到多模态医学图像组的哈希码；通过汉明距离度量求出单个模态数据哈希码与多模态医学图像组哈希码的距离并按升序排序，选择距离最小的n组多模态医学图像返回给用户，从而实现了多模态医学图像检索。该方法的实现，能帮助医生在超声图像，争端文本，核磁共振图像等多模态医学图像中，通过某一模态的数据迅速查找到另外多种模态的数据，有助于医生的医学诊断，减少医生的工作量，提高工作效率。

本发明请求保护一种基于深度哈希和量化的图像检索方法及存储介质，首先建立训练集和测试集，对需要识别的图像进行预处理，然后构建卷积神经网络,采用Alexnet模型结构作为基本架构，再利用训练样本随时生成数据对，根据卷积神经网络进行训练，得到相应的输出值Zn。通过将图像类别通过Glove模型处理得到嵌入标签V，再结合嵌入标签V，计算卷积神经网络输出值的误差函数，并更新网络参数，最后，将查询图像和数据库图像分别通过训练好的模型处理得到相应的二值编码后，通过非对称距离量化方法计算内积相似性，输出检索结果。本发明引入分块编码模块，利用精心设计的混合网络和指定的损失函数，联合学习深度视语义标签，大大提高了图像检索的准确性。

本发明涉及图像检索技术领域，公开了一种基于深度哈希的多模型融合的集成图像检索方法，包括如下步骤：S1、创建图像数据集以及所述图像数据集中的图像所对应的图像标签，所述图像数据集包括图像训练集和图像测试集；S2、将所述图像标签和所述图像训练集中的图像分别输入至多个不同类型的个体学习器中以训练多个所述个体学习器，得到每个所述个体学习器的精度以及图像训练集中的图像对应的训练集二进制哈希编码；S3、将图像测试集中的图像及对应的图像标签输入至多个所述个体学习器中，得到对应的测试集二进制哈希编码。本发明使用多个卷积神经网络模型集成图像检索能充分利用每个个体学习器的学习特性，检索准确率更高。