GarfieldEr007的专栏

目标在本教程中我们将涉及以下内容:使用 FlannBasedMatcher 接口以及函数 FLANN 实现快速高效匹配( 快速最近邻逼近搜索函数库(Fast Approximate Nearest Neighbor Search Library) )理论代码这个教程的源代码如下所示。你还可以从 以下链接下载得到源代码#incl

Image Annotation on the Semantic WebW3C Working Draft 22 March 2006This version:http://www.w3.org/TR/2006/WD-swbp-image-annotation-20060322/Latest version:http://www.w3.org/TR/swbp-image-annotatio

Semantic Image Annotation and RetrievalContent-based image retrieval, the problem of searching large image repositories according to their content, has been the subject of a significant

一. 理论和方法介绍　　a) 采用颜色检索方法的目的：　　对多媒体数据的检索，早期的方法是用文本将多媒体数据进行标识，这显然不是基于多媒体信息本身内容的检索，对多媒体数据中包含的信息是一中及大的浪费；　　基于内容的检索是多媒体数据库的关键技术，如何实现这块技术，是值得商榷的，而最好的方法是使用无需领域知识的检索方法，因此，基于颜色的方法就是实现的关键；　　本

Region 資料結構 : Uniform Grid楔子請你嘗試發掘，這一系列的資料結構是為了解決什麼問題呢？Uniform Grid嗯，就是方格紙。將整個世界劃分為等寬方格。實作方式是一個二維陣列，對應方格紙。陣列每一格是一個串列，對應每個方格包含的資料。資料可以是任何東西，例如點、線段、三角形。如果資料跨據多個格子，那麼可以同時儲存於多個

CONFERENCE PAPERS          Scalable Person Re-identification: A Benchmark [PDF] [Dataset]           Liang Zheng*, Liyue Sheng*, Lu Tian*, Shengjin Wang, Jingdong Wang, and Qi Tian (* equal contr

Full PublicationsSee the selected publication list here.Peer Reviewed Conference PapersLingxi Xie*, Liang Zheng*, Jingdong Wang, Alan Yuille and Qi Tian, "InterActive: Inter-Layer Ac

最近发邮件讨论Semantic Hashing的同学和同事很多，推荐李老师的文献列表供大家参阅：http://cs.nju.edu.cn/lwj/L2H.html说到Hash，大家都很熟悉，是一种典型的Key-Value结构，最常见的算法莫过于MD5。其设计思想是使Key集合中的任意关键字能够尽可能均匀的变换到Value空间中，不同的Key对应不同的Value，即使Key值只有轻微变化，V

去年年底的时候在一篇博客中，用ANN的框架解释了BOW模型[1]，并与LSH[2]等哈希方法做了比较，当时得出了结论，BOW就是一种经过学习的Hash函数。去年再早些时候，又简单介绍过LLC[3]等稀疏的表示模型，当时的相关论文几乎一致地得出结论，这些稀疏表示的方法在图像识别方面的性能一致地好于BOW的效果。后来我就逐渐产生两个疑问：1）BOW在检索时好于LSH，那么为什么不在任何时候都用

Learning to HashPaper, Code and DatasetTable of ContentIntroductionTutorial SlidesData-Independent MethodLearning to Hash Method (Data-Depende

Yong Rui ÜÇÓÂBio (Small file. You should have it instantaneously.)CV (Large file. It takes a while to download ...)Microsoft Research Asia No. 5, Dan Ling Street, Haidian District Beij

背景与意义在Web2.0时代，尤其是随着Flickr、Facebook等社交网站的流行，图像、视频、音频、文本等异构数据每天都在以惊人的速度增长。例如， Facebook注册用户超过10亿，每月上传超过10亿的图片；Flickr图片社交网站2015年用户上传图片数目达7.28亿，平均每天用户上传约200万的图片；中国最大的电子商务系统淘宝网的后端系统上保存着286亿多张图片。针对这些包含丰

--来自肉麻的开题报告以经典BoW模型实现一个图像检索的方法，BoW检索的一般流程如图2所示：图2  BoW检索流程最初的BoW在图像检索中应用的流程主要分为以下几步：1、特征提取。在训练阶段，将图像用很多“块”（patch）表示，以SIFT特征为例，图像中每个关键点就是一个patch，每一个patch特征向量的维数128。2、字

Josef和Andrew在2003年的ICCV上发表的论文[10]中，将文档检索的方法借鉴到了视频中的对象检测中。他们首先将图像的特征描述类比成单词，并建立了基于SIFT特征的vusual word dictionary，结合停止词、TF-IDF和余弦相似度等思想检索包含相同对象的图像帧，最后基于局部特征的匹配和空间一致性完成了对象的匹配。文档检索与计算机视觉之间渊源颇深，在CV领域常常会遇到要将

基于内容的图像检索引擎（以图搜图）本文介绍一些基于内容的图像检索技术（Content-Based Image Retrieval，CBIR）的搜索引擎（即以图搜图），这类搜索引擎基本上代表了图像检索和识别的主流技术，其中有些搜索引擎的检索结果融合了多模态的检索（文本、图片内容、上下文等）。这些图片搜索引擎和APP代表了图像检索和识别技术在业界的各类具有代表性的应用场景：1）海量互联

大概五年前吧，我那时还在为一家约会网站做开发工作。他们是早期创业公司，但他们也开始拥有了一些稳定用户量。不像其他约会网站，这家公司向来以洁身自好为主要市场形象。它不是一个供你鬼混的网站——是让你能找到忠实伴侣的地方。由于投入了数以百万计的风险资本（在US大萧条之前），他们关于真爱并找寻灵魂伴侣的在线广告势如破竹。Forbes(福布斯，美国著名财经杂志)采访了他们。全国性电视节目也对他们进行了专

Pipeline of our image retrieval systemMotivationAt present, most image retrieval systems uses bag of word model to get raw matching candidates and re-rank the results by enforcing spatial verifi

Brief introductionPicSearch is an image search engine based on Convolutional Neural Network (CNN) feature. It's a very simple demo and it just showes the performance of CNN for image retrieval. Th

代码：CNN-for-Image-Retrieval。2015/12/31更新：添加对MatConvNet最新版version 1.0-beta17的支持，预训练的模型请到Matconvnet官网下载最新的模型。2015/10/20更新：Web演示部分代码公开CNN-Web-Demo-for-Image-Retrieval。2015/09/24更新：添加对MatConvNet最新版ve

在用哈希进行检索时，常会用到precision recall曲线对其性能进行定量评价。precision recall的定义在信息检索评价指标中已做了详细说明，这里再记录一下precision recall的具体实现。precision recall曲线matlab一般使用的都是下面的版本：function [recall, precision, rate] = recall_prec

每次在和图像检索方面的小伙伴们交流时，总有小伙伴会问一些很基础的问题，举个栗子，信息检索评价指标。为了加深自己对这些指标的理解，及避免再去重复回答这类问题，做些易于理解的笔记。Evaluation 12: mean average precisionfrom: http://yongyuan.name/blog/evaluation-of-information-retri

SummaryWe are developing new hashing methods to solve the problem of finding nearest neighbors in gigantic datasets. Such techniques are needed in many important applications, such as content-based

回顾过去自己写过的一些词袋模型，比如BoW图像检索Python实战、图像检索(CBIR)三剑客之BoF、VLAD、FV以及Bag of Words cpp实现，这些写出来的要么只是助于自己理解词袋模型的有关理论，要么也只是面向实验的一些验证，或者更直接点可以说只是些小玩具摆了。在我2016年的计划列表里，存放着一条由2015年拖过来的目标，就是写出一个可以面向商业级别的词袋模型，这

LSH Algorithm and Implementation (E2LSH)Locality-Sensitive Hashing (LSH) is an algorithm for solving the approximate or exact Near Neighbor Search in high dimensional spaces. This webpage li

前几天把HABI哈希图像检索工具包更新到V2.0版本后，小白菜又重新回头来用Python搞BoW词袋模型，一方面主要是练练Python，另一方面也是为了CBIR群开讲的关于图像检索群活动第二期而准备的一些素材。关于BoW，网上堆资料讲得挺好挺全的了，小白菜自己在曾留下过一篇讲解BoW词袋构建过程的博文Bag of Words模型，所以这里主要讲讲BoW的实战。不过在实战前，小白菜还想在结合自己

致谢：基础框架来源BoW，开发版本在此基础上进行，已在Ubuntu、OS X上测试通过，Windows需要支持c++11的编译器(VS2012及其以上)。使用代码下载地址：bag-of-words-stable-version，这个是稳定版，上层目录里的开发版不要下载，那是我添加测试新模块所用的。编译修改Makefile文件，如果你的系统支持多线程技术，将

% This code generates 128-bit hamming code "bs" for SIFT features %128-D % "bs": binary signature%% Bug fixed by Liang Zheng on 01/26/2015. %% load previous datafeat_file = '100000.siftgeo'; % f

译者注：本文翻译自斯坦福CS231n课程笔记image classification notes，由课程教师Andrej Karpathy授权进行翻译。本篇教程由杜客翻译完成。ShiqingFan对译文进行了仔细校对，提出了大量修改建议，态度严谨，帮助甚多。巩子嘉对几处术语使用和翻译优化也提出了很好的建议。张欣等亦有帮助。原文如下这是一篇介绍性教程，面向非计算机视觉领域的同学。教程将向

译者注：本文翻译自斯坦福CS231n课程笔记image classification notes，课程教师Andrej Karpathy授权翻译。本篇教程由杜客进行翻译，ShiqingFan和巩子嘉进行校对修改。译文含公式和代码，建议PC端阅读。点击查看图像分类笔记（上）。内容列表图像分类、数据驱动方法和流程Nearest Neighbor分类器k-Neares

上一节，我们分析了LSH算法的通用框架，主要是建立索引结构和查询近似最近邻。这一小节，我们从p稳定分布LSH（p-Stable LSH）入手，逐渐深入学习LSH的精髓，进而灵活应用到解决大规模数据的检索问题上。对应海明距离的LSH称为位采样算法（bit sampling），该算法是比较得到的哈希值的海明距离，但是一般距离都是用欧式距离进行度量的，将欧式距离映射到海明空间再比较其的海明距离比较麻