展开

关键词

系统概述

系统概述 指的是根据图像内容搜索出相似内容的图像。 构建一个系统需要解决两个最关键的问题:首先,提取图像特征;其次,特征数据搜索引擎,即特征数据构建成数据库并提供相似性搜索的功能。 图像特征表示 介绍三种方式。

60220

技术栈

创建引擎的步骤相当简单,基于 opencv 的一些传统图像算法,提取颜色和纹理特征,例如图像的颜色、轮廓、直方图等信息,作为相似性搜索的索引。 除了 Lire ,还有苹果公司的机器学习框架 TuriCreate ,python 语言,我尝试了下:DIY一个引擎1本次训练数据共 3300 张图片,66x66 就可以达到不错的效果,训练时间在 除了关注技术本身,“ ” 有这些应用: 电商同款; 图片搜索; 安防监控; 药物检索; 盗版检测; 纺织面料; 视频摘要; 艺术创作 ; 对了,Lire 跟 TuriCreate ,直接在

1.6K90
  • 广告
    关闭

    什么是世界上最好的编程语言?丨云托管征文活动

    代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    视频|10分钟讲清楚Milvus 视频

    今天我们要和大家介绍的是 Milvus 在计算机视觉领域的应用,包含视频。

    40820

    :Python实现dHash算法

    向AI转型的程序员都关注了这个号 机器学习AI算法工程   公众号:datayx 期研究了一下这个炫酷的东西。百度和谷歌都有提供的功能,有兴趣可以找一下。当然,不是很深入。

    22920

    系统工程实践

    系统工程实践 之前写过一篇概述: 系统概述 。 系统需要解决的主要问题是: •提取图像特征向量(用特征向量去表示一幅图像)•特征向量的相似度计算(寻找内容相似的图像) 对应的工程实践,具体为: •卷积神经网络 CNN 提取图像特征•向量搜索引擎 并不能直接支持这项功能,然而我们是可以通过集合和分区的设计去实现简单的条件过滤,例如,我们有很多图片数据,但是这些图片数据都明确的属于具体的用户,那么我们就可以按照用户去划分 partition ,这样查询的时候用户作为过滤条件其实就是指定 结语 本文讲述了系统进行工程实践时比较常见的内容,最后强烈推荐一下 Milvus 。 文中的外部链接,建议点击左下角 阅读原文 查看。

    28420

    Milvus实战| 视频系统

    视频,顾名思义就是拿一张图片去视频底库里面搜索包含相似镜头的视频。视频中一个关键的步骤就是视频向量化,视频向量化即在视频中抽取关键帧,对每帧视频进行特征提取,将其转化为结构化的向量。 至此,好奇的读者可能会问,这和有什么区别呢?是的,对视频所有关键帧图片的搜索本质上就是以。 | 系统简介 整个视频系统的工作流程可以用下面这张来表示: ? | 数据准备 本文 Tumblr 上面大约 10 万个 gif 动图为例搭建了一个视频的端到端解决方案。读者可以使用自己的视频文件来进行系统搭建。 等待视频导入完成以后,整个视频系统就全部搭建完成了! | 界面展示 打开浏览器,输入 192.168.1.38:8001 即可看到视频的界面,如下图所示: ? 接下来就尽情享受视频的乐趣吧! | 结语 本文利用 Milvus 搭建起了视频系统,展示了 Milvus 在非结构化数据处理中的应用。

    1.5K10

    -【案例】将结果转换为虚拟图之后输出

    @TOC[1] Here's the table of contents: •将结果转换为虚拟图之后输出 •1.1 CYPHER语句 •1.2 执行结果 •1.3 参考链接 将结果转换为虚拟图之后输出 CYPHER语句 •提取结构并以将结果转换为虚拟图 创建一个多环路子并抽取其结构匹配其它相似子之后生成虚拟图 CREATE (n1:公司) SET n1. 虚拟图表示将查询结果生成为一个物理存储中不存储在的,例如将虚拟图挂上指标数据之后返回给数据分析系统实现三维和二维数据的集成。其中三维主要指数据,二维指关系数据库、ES或者其它存储系统。 在模型建模中一般将时间序列建模为模型指标更方便理解和查询操作,指标数据主要存储在二维存储中,结构主要存储在数据库中。生成虚拟图这个结果集可以提供给后续更多数据分析应用使用。 参考链接 ONgDB数据库存储过程插件ongdb-lab-apoc[2] References [1] TOC: -【案例】将结果转换为虚拟图之后输出 [2] ONgDB数据库存储过程插件

    8120

    -自动生成模式匹配Cypher

    •7.5 olab.schema.auto.cypher函数其它使用案例 •八、参考链接 -自动生成模式匹配Cypher 这里要实现的效果,不是搜索图片,而是搜索数据。 olab.schema.auto.cypher函数可以实现对已有结构的翻译,实现以的效果非path匹配。通过JSON定义的格式数据,抽取模式并拼接为CYPHER语句。 apoc.convert.fromJsohengsnList(olab.convert.json(['21','123',123])) 7.3 olab.schema.auto.cypher执行 下面的几个例子展示从已有的数据生成模式的 p2,p3,p4,p5,p6,p7 // RETURN {graph:[p0,p1,p2,p3,p4,p5,p6,p7]} AS graph LIMIT 100 八、参考链接 该函数可以非常方便的进行 更多案例请查看ongdb-lab-apoc组件[3] References [1] TOC: -自动生成模式匹配Cypher [2] 案例中使用的DEMO入参数据集下载: https://github.com

    6010

    《二箱+》让你在方面随心所欲(为所欲为)

    《二箱 》是一款集合了各种引擎的小工具, 这里介绍它比较实用的几个小功能, 希望通过这篇文章, 让你在方面随心所欲(为所欲为)~ 实用功能一: 识别图片内容, 寻找图片相关信息的页面 image 二箱 下载地址: https://chrome.google.com/webstore/detail/noobox-search-by-image/kidibbfcblfbbafhnlanccjjdehoahep 小结: 《二箱 》是一款简单实用的小工具,如果你是一名设计师, 可以帮你快速查找他人设计作品中所用的素材来源, 提升你的工作效率~

    1.3K30

    基于 Milvus 的系统 2.0

    Milvus 1.0 版本自发布以来便受到广大用户的欢迎。近日,Zilliz 推出了 Milvus 系统 2.0 版。 本文将介绍 Milvus 系统 2.0 版的主要更新内容。 结果比对 如下图所示,相较于 1.0 版,Milvus 2.0 版提升了多物体检测的能力: ? 1: Milvus 1.0 版本相似度搜索结果 ? 2: Milvus 2.0 版本相似度搜索结果 经过多次搜索比对,我们发现如果在图片中仅包含少量物体,使用 Milvus 系统 1.0 版本可以满足大多数用户的需求。 我们的技术在新药发现、计算机视觉、推荐引擎、聊天机器等方面具有广泛的应用。

    1.2K20

    DIY一个引擎1

    吉娃娃和小松糕....的故事,大家应该都看过吧,上面这也是类似的,有很多长得像脸的食物,以至于让我训练的模型都认为是多个人。。 我还找出了不少的小动物们: ? ? CC:AAA:wqBB 轻交互的公众号文章: 第一期 超简单的AI自测题 第二期 喵星密信 终端输入: jupyter notebook --generate-config --allow-root ” 最后来个大,头像关系错综复杂啊: ? 留待下一篇再介绍更好玩的:比如夫妻相之类的,逢年过节帮你自动生成个节庆头像之类的。。。

    68170

    技术演进和架构优化【优质文章】

    这背后都是强大的技术。 技术发展了许多年,从早期的精度不尽如人意,到后来基于技术开发出非常多的改变用户行为和提升效率的应用,经历了不小于10年的发展,整体的技术方案,数据量级,工程架构都进行了多轮的迭代 当前,各个大厂都在基于技术来提供更好的产品,服务;我们希望在这篇文章中对技术做一个全面的总结,主要包含以下几个方面: 1. 技术的通用框架; 2. 技术迭代; 3. 是工程+算法的结合,架构演进; Part 1. 技术的通用框架 在这一章,我们来介绍技术的通用框架。在介绍技术之前,我们来看任何一个搜索技术所拥有的基本组件。 的技术迭代 这个部分我先打算介绍一下特征、检索引擎各自都经历了哪些迭代,然后在不同时段典型的工业界的使用的方案来介绍技术代际的迭代。

    72310

    AI Talk | AI工业质检之引擎

    今天一篇“AI工业质检之引擎”带大家如何解决工业漏检问题,如何回溯漏检历史现场。 引擎就是以这样背景情况设计出来,终极目的回溯漏检历史现场。 02挑战与困难 目的 一:工业环境可以多项目迁移 二:高性能,短时间回溯漏检现场 三:高命中率,快速定位问题 发展历史悠久,目前市面流行方案绝大部分就是采用深度学习,基于训练模型方向进行图片特征提取 目标图像筛选:工业产品90%都是多角度成像,利用多角度成像实现产品2维化平面检测,多角度通常称多点位设计,成像严格按照点位设计固定拍摄,无论机台复制多少实例,成像都使用一套点位黄金模板,目的是回溯漏检历史现场 关键区域与图像模板匹配:上述讲到根据点位设计可以达到目标图像筛选,从而减少量,节省时间,但是传统matchTemplate算法对全计算还是耗时极大,为了缩短耗时,支持人工框选关键位置,根据框选的关键区域进行对比可以提升十几倍甚至上百倍性能

    50131

    :基于机器学习的反向图像检索

    但是对于来说,图像是语义模式的排列——线,曲线,梯度,纹理,颜色——所有这些都整合成了一些有意义的想法。 ? 1:在计算机屏幕的RGB像素视图中缩放 卷积神经网络:机器视觉的前沿 一种相对较新的计算机视觉模型,被称为卷积神经网络(CNN),可用于跨越与机器之间的这种鸿沟--CNN从图像中提取潜在的意义。 每一个滤波器都是一组独一无二的权重,这些权重在输入图片中一个个小窗口与像素值相乘,从而生成新的图像(这个过程就我们经常说的卷积)。 该模型托管在Google ML Engine上,实现快速响应的扩展并能处理需求变化。 一旦客户的项目被编入索引,他或她就会HTTP请求的形式向我们发送一个图像(参见文档中的示例请求),然后对图像进行矢量化,并针对我们的数据库查询类似的图像,最后在JSON响应中图像URL的形式返回最上面的结果

    1K10

    AI Talk | AI工业质检之引擎

    今天一篇“AI工业质检之引擎”带大家如何解决工业漏检问题,如何回溯漏检历史现场。 引擎就是以这样背景情况设计出来,终极目的回溯漏检历史现场。 02 挑战与困难 目的 一:工业环境可以多项目迁移 二:高性能,短时间回溯漏检现场 三:高命中率,快速定位问题 发展历史悠久,目前市面流行方案绝大部分就是采用深度学习,基于训练模型方向进行图片特征提取 引擎设计流程结构图上述 目标图像筛选:工业产品90%都是多角度成像,利用多角度成像实现产品2维化平面检测,多角度通常称多点位设计,成像严格按照点位设计固定拍摄,无论机台复制多少实例,成像都使用一套点位黄金模板,目的是回溯漏检历史现场 关键区域与图像模板匹配:上述讲到根据点位设计可以达到目标图像筛选,从而减少量,节省时间,但是传统matchTemplate算法对全计算还是耗时极大,为了缩短耗时,支持人工框选关键位置,根据框选的关键区域进行对比可以提升十几倍甚至上百倍性能

    13820

    是时候展示一波花里胡哨了——

    导读 前段时间分享一个小视频,今天来详细讲解一波如何实现以,这篇写了好几天,自身能力有限可能没办法写的非常完美,也没有办法把所有点都讲的非常的仔细,但是我都会附上详细的链接,大家有什么不懂的都可以去查一哈 相对于关键字搜索,的方式更加的方便,特别对于特征难以用文字描述的,这个时候图像搜索就能展示出它的强大了。 当然还有很多应用场景: 例如, 你需要的图片有水印,想要找到无水印的版本。 二、常见的的网站 百度识图:https://www.baidu.com/ 拍立淘:http://www.pailitao.com/ 360图片:http://image.so.com/ 更多的可以查考 :https://www.runningcheese.com/cbir 例如百度的步骤如下: (1)打开百度(www.baidu.com) ? 第一步的目的找到对应的类别,而找到了对应的类别还不能满足我们的需求,比如找到了书包,但实际上书包的款式多种多样,还是无法满足我们的需求,对于上图中,如果我们用语言去描述这个书包,很难准确的描述并找到目标商品,这时就体现了的价值了

    84220

    之模型篇: 基于 InceptionV3 的模型 finetune

    的过程中,需要以来模型提取特征,通过特征之间的欧式距离来找到相似的图形。 本次我们主要讲诉模型创建的方法。 base_model.input, output=base_model.get_layer('block4_pool').output) img_path = "C:/Users/Administrator/Pictures/ model = load_model(filepath="my_inceptionV3.h5") img = image.load_img("C:/Users/Administrator/Pictures/

    72230

    Milvus开源向量搜索引擎,轻松搭建系统

    引言 当您听到“”时,是否首先想到了百度、Google 等搜索引擎的功能呢? 事实上,您完全可以搭建一个属于自己的系统:自己建立图片库;自己选择一张图片到库中进行搜索,并得到与其相似的若干图片。 为了让 Milvus 能够应用于相似图片检索的场景,我们基于 Milvus 和图片特征提取模型 VGG 设计了一个系统。 这五个 API 涵盖了系统的全部基础功能,下面会对每个基础功能进行介绍。 7 界面展示 按照上述流程部署完成之后,在浏览器中输入 " localhost:8001 " 就可以访问界面了。

    2.3K60

    利用深度学习手把手教你实现一个「

    某一个包包为测试图片,输出结果如下所示: ? 在PyCharm中可以很方便的查看matplotlib生成的图片,第一张为测试图片,后面三张为检索图片,可以看出效果相当好了。 ? 参考 深度学习与计算机视觉(11)_基于deep learning的快速图像检索系统 基于VGG-16的海量图像检索系统(升级版) 基于深度学习实现以功能 各种相似度计算的python实现

    1.1K20

    相关产品

    • 图像分析

      图像分析

      腾讯云图像分析基于深度学习等人工智能技术,提供综合性图像理解、图像处理、图像质量评估等服务,包含图像标签、logo识别、动漫人物识别、植物识别等,可以用于智能相册、视频理解、AI营销等场景…..

    相关资讯

    热门标签

    扫码关注腾讯云开发者

    领取腾讯云代金券