Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018103179) PROCÉDÉ DE DÉTECTION D'IMAGE QUASI-DUPLIQUÉE BASÉ SUR UNE REPRÉSENTATION ÉPARSE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2018/103179 N° de la demande internationale : PCT/CN2017/070197
Date de publication : 14.06.2018 Date de dépôt international : 05.01.2017
CIB :
G06K 9/62 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
K
RECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9
Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62
Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
Déposants :
西北大学 NORTHWESTERN UNIVERSITY [CN/CN]; 中国陕西省西安市 太白北路西北大学39号信箱 No. 39 Mail Box, Northwest University, Taibai North Rd. Xi'an, Shaanxi 710069, CN
Inventeurs :
赵万青 ZHAO, Wanqing; CN
罗迒哉 LUO, Hangzai; CN
范建平 FAN, Jianping; CN
彭进业 PENG, Jinye; CN
Mandataire :
西安恒泰知识产权代理事务所 HENG TAI INTELLECTUAL PROPERTY AGENCY; 中国陕西省西安市 莲湖区唐延路北段22号金辉国际广场12-05室 Room 1205 Jinhui International Plaza No. 22 Tangyan Bei Road Lianhu District Xi'an, Shaanxi 710068, CN
Données relatives à la priorité :
201611130891.809.12.2016CN
Titre (EN) NEAR-DUPLICATE IMAGE DETECTION METHOD BASED ON SPARSE REPRESENTATION
(FR) PROCÉDÉ DE DÉTECTION D'IMAGE QUASI-DUPLIQUÉE BASÉ SUR UNE REPRÉSENTATION ÉPARSE
(ZH) 一种基于稀疏表示的近似重复图像检测方法
Abrégé :
(EN) A near-duplicate image detection method based on sparse representation. The method is proposed on the basis of a Hadoop distributed computing framework, and comprises the following steps: acquiring an image set I, wherein sparse encoding results of all images are g'; extracting non-zero elements in g', and hashing the sparse encoding result gi' of the image Ii to groups corresponding to subscripts of the non-zero elements; computing, for each reduce function, a similarity level Y of the sparse encoding results for each pair of images <Iw, Iz>, and if Y is greater than 0.7, then outputting said near-duplicate image pair <Iw, Iz>; and combining near-duplicate image pairs having the image Iw, and generating a near-duplicate image subset. The technical solution of the present invention employs parallel computing to greatly improve computational efficiency of a K-Means clustering algorithm for a large-scale data set, and introduces the sparse representation concept to increase the speed of the method and eliminate excessive computation for solution finding and optimization.
(FR) L'invention concerne un procédé de détection d'image quasi-dupliquée basé sur une représentation éparse. Le procédé est basé sur une structure informatique distribuée Hadoop et comprend les étapes suivantes consistant à : acquérir un ensemble d'images I, des résultats de codage épars de toutes les images étant g' ; extraire des éléments non nuls en g', et hacher le résultat de codage épars gi' de l'image Ii en groupes correspondant aux indices des éléments non nuls ; calculer, pour chaque fonction de réduction, un niveau de similarité Y des résultats de codage épars pour chaque paire d'images <Iw, Iz> et si Y est supérieur à 0,7, alors délivrer en sortie ladite paire d'images quasi-dupliquées <Iw, Iz> ; et combiner les paires d'images quasi-dupliquées comprenant l'image Iw, et générer un sous-ensemble d'images quasi-dupliquées. La solution technique de la présente invention utilise un calcul parallèle pour améliorer considérablement l'efficacité de calcul d'un algorithme de groupement de k-moyennes pour un ensemble de données à grande échelle, et introduit le concept de représentation clairsemée pour augmenter la vitesse du procédé et éliminer un calcul excessif pour trouver et optimiser la solution.
(ZH) 一种基于稀疏表示的近似重复图像检测方法,该方法基于hadoop分布式计算框架提出,该检测方法包括如下步骤,先获取图像集I,其中所有图像的稀疏编码为g';提取g'中非零元素,将图像Ii的稀疏编码gi'散列到非零元素的下标对应的组中,计算每个Reduce函数中每对图像< Iw, Iz>稀疏编码的相似度Y,若Y大于0.7,则输出相似图像对< Iw, Iz>;将具有图像Iw的相似图像对合并,生成相似图像子集。上述技术方案通过并行化的计算方式大大提高了针对大规模数据集的KMeans聚类算法的计算效率,并引入稀疏表示理论,具有更快的实现方法,不需要过多的求解优化过程。
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)