最新消息 技术

基于深度学习的反向图像搜索

通过图像搜索一直是最必要的技术。如今,这里还集成了深度学习,它使用基于人工神经网络的方法来研究数据表示,然后可以将其应用于许多不同的问题解决中。

您可以点击 //www.image-search.org/ 使用可为您提供准确结果的真实图像搜索工具。它由依次排列的几层组成,用于更深入地了解输入图像。在过程的最后,它创建了从低功能到高功能的数据表示的分层结构。曲线中指定的模型越高,它可以成为标准功能,从而确保要获取的数据质量更高。

深度学习的目的

根据深度学习模型的层类型,按图像搜索工具可以用于各种目的。卷积神经网络就是例子,它增加了图像,视频,语音和音频学习处理能力。

与传统的拍摄系统相反,它使用可以训练的特征提取器。我们在搜索栏中放入的图片越多,以作为查询或提供给存储库,则视觉特征就越相关。

深度学习是一个热门话题

深度学习在基于图像的上下文中始终显示出很高的准确性,它可以从照片分割到对象检测和拍摄而变化。一些研究人员和公司已经在社区中建立和共享,包括经过训练的卷积神经网络,可供公众使用。

通过图像搜索可以反向进行(或因为从技术上更广为人知,即刻检索),使开发人员和研究人员可以在简单关键字搜索之外构建图片搜索方案。

寻找类似图片

从在浏览器上查找视觉上相似的对象到为Amazon上基于相机的产品推荐相似的文章,都使用了类似的技术类。

像免费的反向图像搜索这样的网站会在未经许可的情况下将照片发布到摄影师面前,警告摄影师侵犯版权。即使是先进的图像查找器工具,也可以通过图像搜索来确保人’s identity.

有了正确的知识,最好的部分就是您可以在几个小时内构建一个副本,使这些产品中的许多产品发挥作用。这是图像查找器的作用:

  • 在Caltech101和Caltech256数据集中执行提取和类似搜索
  • 了解如何扩展大型数据集(最多数十亿张照片)
  • 使系统更加准确和优化。
  • 分析案例研究,看看这些概念如何在主流产品中使用

识别图片中的相似性 

第一个也是必不可少的问题是:给定两个图像,它们是否相似?有几种方法可以解决此问题。一种方法是手动比较它们。即使这可以帮助找到正确的图片或完全相似的图片(可能已被剪切)。

即使稍作旋转也会导致差异。通过存储补丁中的哈希,他们可以找到重复的照片。这种方法的另一种用途是识别照片中的抄袭。

直方图的计算

另一种方法是计算RGB值的直方图并比较它们的相似性。这种按图像搜索可能有助于查找在相同环境中捕获的几乎相似的图像,而内容没有任何变化。

基于计算机视觉的更强大的方法是使用诸如尺度不变特征(SIFT)变换之类的算法在边缘附近找到视觉特征。加速健壮的功能(冲浪),快速定位和短时旋转(ORB),然后比较数字。

获取有关标准功能的详细信息

它找出两张照片之间共有的标准功能。通过对对象级别的比较深入的了解,它可以帮助您从通用照片级别切换。但是,这对于通过具有较少变化的刚性物体(例如从一盒谷物中打印的侧面)的图像进行搜索是很好的。

好吧,看起来几乎是一样的,它在比较可以变形的物体(例如人和动物)中表现出各种姿势时比较有用。更深入;另一种方法是使用深度学习从图像中找到类别,然后在同一类别中查找其他照片。

图片的元数据

这等效于从图片中提取元数据,然后对其进行索引并在典型的文本查询搜索中使用。通过在图像引擎的开源搜索中使用元数据,可以轻松升级它。

许多电子商务网站在内部进行基于图片的搜索时,会根据从图片中提取的标签显示建议。如您所料,通过提取标签,我们丢失了某些信息,例如颜色,姿势,场景中对象之间的关系等。

这种方法’其主要缺点是需要大量的标记数据量来训练分类器,以在新图像中提取该标记。每次需要添加新类别时,都需要再次训练模型。

结论

因为我们的目标是通过按图像搜索在数百万个图像中查找,所以理想情况下,我们需要将数百万像素的信息汇总成较小的表示形式。技术的进步也使浏览变得有趣。

与我们订阅以获取您感兴趣的新闻,研究成果&初创企业细分中的意见。填写以下表格:

 载入中
   

评论

作者

 初创团队

初创团队

Startup-buzz团队是由企业家,研究人员,作家和经验丰富的专业人员组成的协作小组。捆绑在一起,将最新的Startup Buzz传播到全球。

上一篇

2021年值得关注的5种电子商务趋势

下一篇文章

这是最近的故事。