計算機視覺-影象檢索隨記

摘要： 電商上的應用：找相似，找同款。CNPR，用卷積神經網路學習出來一個分桶的編號。預先把影象做一些分桶或者說把他先丟到空間不同的區域，然後檢索時只是找其中某個區域的圖片。找同款可以使用這種，不需要使用複雜的神經網路以未知點為圓心畫圓，他所屬的類別取決於圓內類別最多的點。你得先計算他們之間的相近度，...

電商上的應用：找相似，找同款。CNPR，用卷積神經網路學習出來一個分桶的編號。預先把影象做一些分桶或者說把他先丟到空間不同的區域，然後檢索時只是找其中某個區域的圖片。找同款可以使用這種，不需要使用複雜的神經網路以未知點為圓心畫圓，他所屬的類別取決於圓內類別最多的點。你得先計算他們之間的相近度，每個圖片抽取出來的feature和其他圖片feature的相近度。假設Alexnet FC的結果是4096*1 double型向量，那麼那他去比對 計算量會非常大，所以會將它對映到一個的數例如：128/64bit維的10101數字串。

海量資料的情況用KNN是不行的。現在專案上一般使用的是一整套的ANN

直觀的理解就是用超平面對空間做一個劃分，畫完後落在同一區域的一些點 他們得到的01串應該是一樣的，而臨近的點他們之間可能有一個維度的值不同。

超平面的優化方式這麼木有講！！超平面的劃分不一定合理，所以這個演算法是犧牲一部分準確度來提高速度。

怎麼樣去權衡準確度和速度？增加超平面可以提高準確度，但是會造成在Nbit的範圍內落下來的點非常的少。另一種方式是隨機的使用另外一組超平面做劃分(不同的hash)。

N值是通過經驗和上下調整的方式得到的。

使用3個雜湊得到各自相似的結果，將他們組合起來。具體和誰最相似，可以採用其他演算法比如：距離演算法求得。

聚類的方式分桶很慢！！

k-Means Tree:先聚類大範圍，在聚類小範圍。查詢時也是先找落在那個大範圍內，再往細的找。FLANN實際中使用效果會好。

訓練的時候使用的Alexnet 全連線層是4096維