墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
803平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
去google搜了一下image search的文章，好像不是很多。看来一下wiki的文章 http://en.wikipedia.org/wiki/Image_search
google的做法是通过图片的文件名，我猜可能是<img src="xxx/yyy/zzz.jpg">里的zzz就是文件名；指向图片的链接的文字；以及图片附近的文字来作为图片的关键字。另外还看到有人把整个网页的文章都作为图片的特征的，这个做法没啥意义，可能做页面分析后把相关的一段文章来比较好。不过他们有一点想法有点意思。他们认为只有名词尤其是命名实体对于搜索图片比较有用，所以使用了wordnet来过滤没有的词。 出来文字，也有试图“理解”图片内容的。这个领域不熟，而且就目前来看性能不行，而且“理解”一个图片的时间也可能会久，对于海量的数据可能是无法处理的。
image_search_engine:图片搜寻引擎
使用tf.Keras构建深度图像搜索引擎 动机 ： 想象一下，拥有数十万至数百万个图像的数据收集，而没有任何元数据描述每个图像的内容。 我们如何建立能够找到最能回答用户搜索查询的图像子集的系统？ 我们基本上需要的是一个搜索引擎，该引擎能够根据给定的图像结果与搜索查询的对应程度对图像结果进行排名，该结果可以用自然语言表示，也可以用其他查询图像表示。 在这篇文章中，我们将解决问题的方法是训练一个深度神经模型，该模型学习任何输入图像和文本的固定长度表示（或嵌入），并使其在欧几里德空间中接近，如果两对文本图像或图像图像是“相似的”。 数据集： 我找不到足够大的搜索结果排名数据集，但能够获得此数据集： : 将电子商务项目图像链接到其标题和说明。 我们将使用此元数据作为监督源，以学习有意义的联合文本图像表示形式。 为了管理计算和存储成本，实验仅限于时装（服装，鞋子和珠宝）物品和500,000张图
OpenCV实现图像搜索引擎(Image Search Engine)
一.原理 1. 图像搜索原理 图像搜索算法基本可以分为如下步骤： 提取图像特征。如采用SIFT、指纹算法函数、哈希函数、bundling features算法等。当然如知乎中所言，也可以针对特定的图像集群采用特定的模式设计算法，从而提高匹配的精度。如已知所有图像的中间部分在颜色空间或构图上有显著的区别，就可以加强对中间部分的分析，从而更加高效地提取图像特征。 图像特征的存储。一般将图像特征量化为数据存放于索引表中，并存储在外部存储介质中，搜索图片时仅搜索索引表中的图像特征，按匹配程度从高到低查找类似图像
Etcd教程 — 第三章 Etcd集群动态发现、DNS发现
Etcd教程 — 第三章 Etcd集群动态发现、DNS发现
Simple Image Search Engine（SIS）常见问题解决方案
Simple Image Search Engine（简称 SIS）是一个基于 Keras 和 Flask 的简单图像搜索引擎。该引擎利用 VGG16 模型（预训练于 ImageNet）提取数据库图像的深度特征，并通过一个简单的线性扫描算法来查找与查询图像相似的图片。用户可以通过 Flask 网络界面将查询图像发送到服务器，并在本地得到搜索结果。 ### 主要编程语言： - Python：作为主
Voxel Hashing技术解析：如何解决TSDF内存爆炸问题？
本文深入解析Voxel Hashing技术如何有效解决TSDF内存爆炸问题。通过动态内存分配和空间哈希函数设计，该技术将内存占用降低96.6%，同时保持高精度重建。文章详细介绍了GPU加速实现、现代系统演进及实践指南，为实时3D重建提供工程解决方案。
保姆级教程 | MS构建三层石墨后转成LAMMPS的data文件
喜欢的话记得一键三连~
用Python和OpenCV创建一个图片搜索引擎的完整指南 The complete guide to building an image search engine with Python and
Let’s face it. Trying to search for images based on text and tags sucks. Whether you are tagging and categorizing your personal images, searching for stock photos for your company website, or simpl
Codesys入门-新建工程+任务调用+编译+调试
程序组织单元(Program Organization Unit, POU)由声明区和代码区组成，是用户程序的最小软件单元，它相当于传统编程系统中的块(Block)，按功能程序组织单元(POU)可分为函数(FUN)、功能块(FB)、程序(PRG)。：Codesys采用多任务的方式来执行用户程序的“任务”，而每个“任务”分配了不同的执行周期，有些全局变量可能要在不同的POU之间被访问和修改，于是需要对全局变量进行交互同步，也是在任务的“时间对准点”进行的，实例：声明了INT类型，变量名为输入；
Building Your First Image Search Engine in Python
The source code of this demo project: https://github.com/xiaoweige/ImageSearch Here’s a quick overview: What we’re going to do:Build an image search engine, from start to finish, usingThe ...
YOLOv12改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet，超级精简高效的轻量化模块
本文记录的是基于StarNet的YOLOv12轻量化改进方法研究。StarNet设计简洁，没有复杂的设计和精细调整的超参数，仅是一个 4 阶段的分层架构。并且其中能够在低维空间计算的同时考虑极高维的特征这一特性，进而提高模型精度。本文在替换骨干网络中配置了原论文中的starnet_s1starnet_s2starnet_s3和starnet_s4七种模型，以满足不同的需求。
拿下华为性格测试！
华为性格测试指南
macroglossa.com有趣的image search engine
http://www.macroglossa.com一个做image search的engine，真的不赖。其实，图像匹配技术还是很难的，但是，这样做，却很好玩。而且，也能提供一些不错的结果。这个idea是值得借鉴的。借助CVPR、ICCV和ECCV里的idea，进一步extension。中国也需要image search engine！ 转载于:https://www.cnblo...
Quartus II编译时出现Error (119013): Current license file does not support the EP4CE6E22C6 device
Quartus II编译时出现Error (119013): Current license file does not support the EP4CE6E22C6 device, Quartus的安装过程不同于ISE/vivado的安装。“Current license file does not support”这种情况多出现在高版本的quartus中综合很久以前的代码，使用很早型号的FPGA或是CPLD。对于这种情况，就得在官网或是其他网站上下载包含所需Device的库文件。
towhee 图片搜索
【代码】towhee 图片搜索。
实战指南：理解 ThreadLocal 原理并用于Java 多线程上下文管理
探讨如何基于实现一个高效的上下文管理组件，以解决多线程环境下的数据共享和上下文管理这些问题。通过具体的代码示例和实战展示如何为多线程编程提供一种简洁而高效的上下文管理方案。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
10款相似图片搜索引擎(转http://paranimage.com/10-similarity-image-search-engine/)
很多时候不知道该使用什么样的关键词来搜索自己想要的图片，却经常这样“我想要张这样的图片。”传统图片搜索引擎很难这样的需求，相似图片搜索引擎应运而生。1. Picitup一个相似图片搜索引擎, 很简单, 输入关键词搜索, 似乎没什么好说的. 但它的搜索过程真的是让人觉得非常专业, 比如我输入”android”进行图片搜索, 可以在搜索结果页通过”面部”, “风景”, “产品”和”颜色”来进行
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
如何将SIS部署到Docker容器：实现一键部署和跨平台运行的完整方案
SIS（Simple Image Search Engine）是一款轻量级图像搜索引擎，通过Docker容器化部署可以显著简化安装流程并确保跨平台一致性。本文将提供一套完整的Docker部署方案，帮助新手用户快速实现SIS的一键部署和高效运行。 ## 📋 准备工作：Docker环境搭建 在开始部署前，请确保您的系统已安装Docker和Docker Compose。对于Ubuntu系统，可通过
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
SIS部署到生产环境：使用uWSGI+nginx实现高性能图像搜索服务
SIS（Simple Image Search Engine）是一款轻量级图像搜索服务，能够帮助用户快速构建基于内容的图像检索系统。本文将详细介绍如何将SIS部署到生产环境，通过uWSGI和nginx的组合实现高性能、高可用性的图像搜索服务。 ## 为什么选择uWSGI+nginx架构？ 在生产环境中，直接使用Flask内置的开发服务器存在性能瓶颈，无法处理高并发请求。而uWSGI作为应用服务
SIS图像搜索引擎安全指南：防止文件上传漏洞和API滥用的最佳实践
SIS（Simple Image Search Engine）作为轻量级图像搜索引擎，在提供高效图像检索功能的同时，也面临着文件上传漏洞和API滥用等安全威胁。本文将从安全配置、漏洞防范和监控审计三个维度，为管理员和开发者提供实用的安全加固方案，帮助构建更可靠的图像搜索系统。 ## 一、文件上传安全：构建多层防护屏障 文件上传功能是图像搜索引擎的核心入口，也是最易受攻击的环节之一。攻击者可能通
SIS性能调优秘籍：GPU加速、批量处理和缓存策略的完整方案
你是否正在使用SIS（Simple Image Search Engine）进行图像搜索，但发现处理速度不够快？想要提升图像检索效率却不知道从何入手？本文将为你揭秘SIS性能调优的终极方案，涵盖GPU加速、批量处理和智能缓存三大核心策略，让你的图像搜索速度提升10倍以上！ SIS是一个基于Keras和Flask的简单图像搜索引擎，使用VGG16模型提取图像特征，通过线性扫描实现相似图像检索。虽然
SIS架构优化指南：从线性扫描到近似最近邻搜索的性能提升技巧
SIS（Simple Image Search Engine）作为轻量级图像搜索工具，其核心性能瓶颈往往在于大规模图像库的检索效率。本文将系统介绍如何通过架构优化，将传统线性扫描升级为近似最近邻搜索（ANNS），实现检索性能的**10倍以上提升**，同时保持搜索精度在可接受范围。 ## 线性扫描的性能困境 在SIS原始架构中，图像检索采用的是简单暴力的线性扫描方法。这种方式在小规模数据集（<1
10个步骤部署SIS图像搜索系统：从本地开发到AWS云服务器的完整指南
想要构建一个属于自己的图像搜索引擎吗？SIS（Simple Image Search Engine）是一个基于Keras和Flask的简单图像搜索系统，让你只需运行两个Python脚本就能快速部署。这篇完整指南将带你从零开始，通过10个简单步骤完成从本地开发到AWS云服务器的完整部署流程。 ## 🚀 准备工作：环境配置与项目克隆 ### 第一步：获取SIS项目源码 首先，你需要克隆SIS图像
SIS项目代码质量提升：单元测试、代码规范和持续集成的最佳实践
SIS（Simple image search engine）作为轻量级图像搜索引擎项目，其代码质量直接影响系统稳定性和可维护性。本文将分享提升SIS项目代码质量的三大核心实践：单元测试构建、代码规范实施和持续集成流程搭建，帮助开发团队建立高效可靠的质量保障体系。 ## 一、单元测试：构建可靠的代码基石 单元测试是保障代码质量的第一道防线。在SIS项目中，建议采用Python生态中成熟的`py
OpenSSE 使用教程
OpenSSE（Open Sketch Search Engine）项目的目录结构如下： ``` . ├── data ├── gui/ │ └── SketchSearchDemo ├── sse ├── tools ├── .gitignore ├── .travis.yml ├── CMakeLists.txt ├── Dockerfile ├── LICENSE ├── README...
OpenClaw技能市场探秘：Qwen2.5-VL-7B专属技能推荐
本文介绍了如何在星图GPU平台上自动化部署Qwen2.5-VL-7B-Instruct-GPTQ镜像，实现多模态AI应用的快速搭建。该镜像特别适用于图像标注与分类场景，能够自动分析图片内容并生成详细描述，大幅提升视觉数据处理效率。通过星图GPU平台的一键部署功能，用户可以轻松构建本地化的视觉理解解决方案。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5378
扫一扫
