LogoNet: 一种细粒度网络,用于实例级别的标志草图检索
本文介绍了一个大型标志图像数据库 “LOGO-Net”,用于标志检测和品牌识别任务,该数据库包括 18 个标志类别、10 个品牌和 16,043 个标志对象。作者还应用了新兴的深度学习技术进行标志检测和品牌识别任务,并利用多个最新的深度区域卷积网络技术进行物体检测任务的广泛实验。
Nov, 2015
通过创建 Logo-2K+ 数据集并使用 DRNA-Net 方法进行实验,本研究旨在提出一种可扩展的方法来识别多样且复杂的真实世界中的商标图像。
Nov, 2019
本文提出了一种基于开放集的的商标检索方法,该方法利用任务特定的卷积神经网络模型,在商标检测和比较方面均采用两阶段概念,并利用公开的大规模商标数据集 Logos in the Wild 进行了训练,相对于现有的封闭集方法在商标检索性能上获得了明显的改善。
Oct, 2017
我们提出了一种新颖的抽象感知的基于草图的图像检索框架,能够处理不同级别的草图抽象。通过学习抽象感知特征和粒度级别的抽象理解,我们的方法在标准的草图 - 图像检索任务以及早期检索、法医草图 - 照片匹配和风格不变检索等具有挑战性的场景中表现出色。
Mar, 2024
本文主要介绍了一种基于深度学习的方法来清理和增强三维 CAD 模型的手绘查询草图,从而改善搜索引擎的结果。结果表明,使用这种方法可以获得更好的搜索结果。
Jul, 2022
本文提出一种基于 sketch 的图像检索方法,通过使用跨模态协同和层次结构融合的策略,能够在不同层次的详细程度上匹配 sketch 和照片,并在公共基准测试中取得远超其他方法的性能表现。
Jul, 2020
本研究提出了一个深度哈希框架,用于人类涂鸦数据集的多重万级别检索,探索了前期文献中未被研究的涂鸦专有特征,并通过一个两支 CNN-RNN 的设计进行了独特人类涂鸦的特征嵌入,并开发出一个新的哈希丢失功能来适应涂鸦数据的时态和抽象特征,实现了相比静态图像的现有哈希模型更优异的表现。
Apr, 2018