[发明专利]图像检索方法、系统、存储介质及电子设备

说明书

本申请公开了一种图像检索方法、系统、存储介质及电子设备，图像检索方法包括：输入步骤：获取待检索图片，将所述待检索图片输入到图像检索网络模型；模型处理步骤：通过所述图像检索网络模型对所述待检索图片进行处理，获得处理结果；检索步骤：将所述处理结果在特征库中进行检索，获得检索结果。本发明通过对特征图的聚类，使得检索变为实例级的检索，可大大提高检索的精度；由于模型在推理阶段只使用下分支进行推理，模型的复杂度较低，推理速度快。

技术领域

本发明属于图像检索领域，具体涉及一种图像检索方法、系统、存储介质及电子设备。

背景技术

给定一个包含特定实例(例如特定目标、场景、建筑等)的查询图像，图像检索旨在从数据库图像中找到包含相同实例的图像。但由于不同图像的拍摄视角、光照、或遮挡情况不同，给图像检索带来了一定的挑战，随着卷积神经网络的成功应用，图像检索技术也蓬勃发展，基于卷积神经网络提取的高位抽象深度描述子，在一般的任务中表现出了较强的鲁棒性和泛化性，但是在一些困难任务中，比如一些物体在整张图片中占比特别小，而无效区域特别大，这种情况利用通用的深度学习方法很难解决这种问题，如何设计出能应对这些类内差异的有效且高效的图像检索算法仍是一项研究难题。

基于手工特征的图像检索：传统手工特征的图像检索通过提取图片的角点和边缘特征形成图像的描述子，以描述子作为图像的特征用于特征相似度的度量以达到检索目的。

缺点：传统手工特征的提取需要一定的经验。手工特征例如SIFT特征对于文字不能很好的检测，在一些文字比较多的场景下，提取到的特征不具有代表性。

基于图片级别的图像检索：卷积神经网络在图像领域的应用，使得图片识别的能力大大提升，通过将图片输入卷积神经网络，可以得到高位抽象的深度描述子，该深度描述子一般情况下可以很好的表征该图片。

缺点：利用深度神经网络提取的特征一般可以很好的表征该图像，但有的时候在图像检索的时候，图片中检索的关键物体可能在图片中的占比非常小，这种情况下，深度描述子可能就有无助了。

发明内容

本申请实施例提供了一种图像检索方法、系统、存储介质及电子设备，以至少解决现有的图像检索方法中的关键物体在图片中的占比小的问题。

本发明提供了一种图像检索方法，其中，包括：

输入步骤：获取待检索图片，将所述待检索图片输入到图像检索网络模型；

模型处理步骤：通过所述图像检索网络模型对所述待检索图片进行处理，获得处理结果；

检索步骤：将所述处理结果在特征库中进行检索，获得检索结果。

上述图像检索方法，其中，所述模型处理步骤包括：

模型构建步骤：构建具有上分支和下分支的所述图像检索网络模型；

特征提取步骤：通过所述图像检索网络模型的所述下分支的卷积神经网络对所述待检索图片进行特征提取获得特征图；

聚类步骤：对所述特征图进行聚类后获得所述处理结果。

上述图像检索方法，其中，所述模型处理步骤还包括：

模型训练步骤：基于样本图片通过对比学习的方法对所述图像检索网络模型进行训练。

上述图像检索方法，其中，所述模型训练步骤包括：

编解码步骤：通过所述上分支的图像分割网络对所述样本图片进行编、解码操作获得分割图片，对所述分割图片聚类，得到第一聚类结果；

提取特征步骤：通过所述下分支的所述卷积神经网络对所述样本图片提取特征获得样本特征图，对所述样本特征图进行聚类，得到第二聚类结果；