- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（2）
上一节我们以图的遍历为例讲了深度优先搜索算法和实现程序。 上一节中的深度优先算法可以算是基本款，很多深度优先搜索的题目就是在这个基本款的程序上进行修改 DFS 加强版DFS首先增加或者说变化的一点是顶点颜色。 然后1->2开始遍历2号节点，时间戳就是2。如果2再往后找不到新的顶点，那么2就要回溯，在回溯前会被标记为时间戳=3…… ? 我们可以看出来任意两个顶点的区间只可能有2种关系：(1)两个区间相离；(2)一个区间包含另一个区间。换句话说，不会出现像[1, 10], [4, 13]这样两个区间互相跨立的情况。 第29行执行完以后，我们就完成了对这棵树的深度优先搜索，每个节点的开始时间戳和结束时间戳也都求出来了。
50740发布于 2018-07-04 - 来自专栏AI科技时讯
图像搜索|高维空间最近邻逼近搜索算法
业务场景 上一次介绍图像搜索的基本原理，现在记录下使用的数据包的问题。 NMSLIB 项目地址：https://github.com/nmslib/nmslib 非度量空间库（NMSLIB）是一种高效的跨平台相似性搜索库和用于评估相似性搜索方法的工具包。 spm=a2c4e.11153940.blogcont697621.16.3ef936ddMFh7on）; 图像检索：再叙ANN Search（https://yongyuan.name/blog/ann-search.html spm=a2c4e.11153940.blogcont697621.17.3ef936ddMFh7on）; nmslib文档（https://benfred.github.io/nmslib/? spm=a2c4e.11153940.blogcont697621.18.3ef936ddMFh7on）
1.7K20发布于 2019-08-15 - 来自专栏啄木鸟软件测试
谈谈基于深度学习的图像搜索
这些应用在人工智能深度学习中都属于向量搜索的技术范畴，现在给大家简单介绍一下向量搜索。 2.人脸识别的案例 一般而言基础信息中的图像、音频、视频信息通过向量化存储在数据库中。 比如一张面部照片存储在数据库中是一个经过向量化处理过的数据，而且这个向量化数据高达上千维，比如A=[1.34,5.43,9.12,2.11,323.80,…,43.01,711.20]；在使用这个软件的时候，获取的实时脸部图像信息也通过相同的向量化算法转为一个向量数据 3.向量化 向量化是把图像、音频、视频信息转换为向量的方法。向量化的方法主要分为基于特征的向量化方法和基于卷积神经网络的向量化两种方法。 基于特征的向量化方法主要是通过提取图像的色彩、纹理、形状等特征，然后将这些特征转化为向量。由于基于特征的向量化方法在处理复杂、模糊的图像时效果不太理想，所以一般不使用。 这些特征向量不仅包含了图像的底层信息，还包含了高级的语义信息，因此可以更好地表示图像的内容。
44710编辑于 2024-09-10 - 来自专栏AI科技时讯
从头开始构建图像搜索服务
方法2的工作流程 在方法2中，构建一个接收两个图像的模型，并输出0到1之间的成对相似得分（例如，孪生网络Siamese Networks）。 那么，如何实际使用深度学习表示来创建搜索引擎呢？我们的最终目标是拥有一个搜索引擎，可以接收图像并输出相似的图像或标签，还能接收文本并输出类似的单词或图像。 为了实现这一目标，将经历三个连续的步骤： 根据输入图像搜索类似图像（图像→图像） 根据输入词搜索类似的单词（文本→文本） 为图像生成标签，并使用文本搜索图像（图像↔文本） 为此，将使用嵌入 结果出人意料的好，搜索得到很多猫的图像，而不是瓶子的图像，这看起来很合理！ 使用文本搜索图像 最重要的是，可以使用联合嵌入，输入任何单词都可以搜索图像数据库。只需要从GloVe获取预先训练好的单词嵌入，并找到具有最相似嵌入的图像即可。
1K30发布于 2019-08-16 - 来自专栏大大的小数据
pyautogui图像识别的模糊搜索2022.3.24
pyautogui太好用了，就是有时候不明原因的识别不到图片，可能是电脑重启后屏幕像素变化了，也可能是网页自动缩放适用改变了屏幕的截图像素。 需要引入图像的模糊搜索了 pyautogui.click('2.png') 改为 pyautogui.click(pyautogui.locateOnScreen('2.png',confidence
2.2K30编辑于 2022-09-22 - 来自专栏罗超频道
2014年百度瞄准图像搜索
百度一图一世界图像搜索技术开放日 百度瞄准图像搜索开始规模应用 图像搜索，可以简单地认为是“以图搜图”，但并非图像识别这么简单。 移动设备摄像头的分辨率不断提升，Intel等公司已经推出具有“深度识别”的摄像头可以识别立体化的图像意味着摄像头技术本身在升级。这些则为图像搜索创造了物理条件。 图像搜索时代已经来临。 深度学习破解图像搜索待解技术难题 Google在2009年分别推出网页版Google相似图片搜索和Google Goggles，10年百度则推出识图搜索（shitu.baidu.com)涉水图像搜索，12 对应到我们自身的“看图过程”不难理解为何深度学习可以让机器识别和理解图像：摄像头是图像搜索的眼睛，基于云的深度学习神经网络就是图像搜索的大脑。 未来的图像搜索会怎样？ 这隐含了两个改变：一是图像搜索从被动到主动；二是图像搜索可以做到自动理解它看到的一切并适时启动搜索，让搜索过程更加自然。 还有第三个重点是动态图像搜索。当前图像搜索都是静态图像，而不是动态视频。
97450发布于 2018-04-28 - 来自专栏绿盟科技研究通讯
图像可搜索加密（三）：逼近明文检索
引言 在之前的文章[1]中，我们深入探讨了图像领域内可搜索加密技术的主流方法，并重点介绍了一系列以高效性著称的方案。然而，由于加密技术本身的固有限制，这些方法通常只能提取出图像的基本统计特征。 这为图像加密搜索提供了新的解决方案：某些深度卷积神经网络在结构上异常简单，仅涉及基本的加减乘运算和比较操作，且其结构信息在初始阶段即可确定。 一个典型的方案流程如图2所示，具体来说，该过程分为两个阶段： 图2：基于双服务器的图像可搜索加密方案 云服务器储备密文图像库：图像的拥有者首先在本地使用加法秘密共享方法将图像分割成两部分，即每个云服务器拥有一份图像的两个 因此，在那些对时间敏感性较低、而对精度要求较高的实际应用场景中，基于双服务器模型的图像可搜索加密方案展现出了显著的实用价值。 四. 总结 在本篇文章中，我们深入探讨了图像可搜索加密领域的一种重要方案。这种方法借鉴了明文内容基于图像检索（CBIR）的策略，从而在加密环境下显著提高了检索精度。
87110编辑于 2024-04-24 - 来自专栏johnhuster
select2搜索内容显示搜索词
在使用select2的搜索功能时，搜索结果会显示搜索关键词，这不是我想要的，我只想让用户选择列表框实际存在的数据，再一次还是select2 3.5版本(点击打开链接)的官方文档,官方解释 first choice which is what the user has typed into the search box so far 简单概述就是：如果使用了select2的 tags标签，那么搜索结果就会显示搜索关键词 解决方案： 所以在初始化select2时不使用tags标签，这样在搜索结果中就不会出现搜索关键词。
1.4K40编辑于 2022-03-28 - 来自专栏叶子陪你玩编程
2.opencv图像基本操作（2）
Access image properties 获取图片属性 Set a Region of Interest (ROI) 设置感兴趣区域（ROI） Split and merge images 拆分和合并图像 拆分和合并图像 通过使用split可以将图片的通道提取出来，使用merge可以将通道重新合成图片。 ? 上面的方法速度比较慢，通过numpy的数组索引切片，速度会比较快。 ? 小结 img[y,x]获取/设置像素点值，img.shape：图片的形状（行数、列数、通道数）,img.dtype：图像的数据类型。 img[y1:y2,x1:x2]进行ROI截取cv2.split()/cv2.merge()通道分割/合并。更推荐的获取单通道方式：b = img[:, :, 0]。 (全文完)
42720发布于 2020-05-12 - 来自专栏johnhuster
select2的搜索框不能输入搜索内容
按照select2官网配置完后，搜索框弹出后无法输入内容，究竟怎么回事，于是在其他页面尝试了select2，发现可以啊，为什么在这个地方不可以，终于找到了造成这个问题的不同之处：select2 $.fn.modal.Constructor.prototype.enforceFocus = function () { } 原来是模态对话框强制使自己处于焦点状态，导致select2的搜索框无法获取焦点所致
2K30编辑于 2022-03-29 - 来自专栏点云PCL
PCL深度图像（2）
（1）点云到深度图与可视化的实现 区分点云与深度图本质的区别 1.深度图像也叫距离影像，是指将从图像采集器到场景中各点的距离（深度）值作为像素值的图像。 2.点云：当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。 深度图像经过坐标转换可以计算为点云数据；有规则及必要信息的点云数据可以反算为深度图像 rangeimage是来自传感器一个特定角度拍摄的一个三维场景获取的有规则的有焦距等基本信息的深度图。 深度图像的像素值代表从传感器到物体的距离或者深度值。 RangeImage类的继承于PointCloud主要的功能实现一个特定的视点得到的一个三维场景的深度图像，继承关系为 ? 所以我们知道有规则及必要信息就可以反算为深度图像。
2.1K50发布于 2019-07-31 - 来自专栏机器学习实践二三事
数字图像学习2
二值化： bw = im2bw(f); %默认的二值 bw1 = im2bw(f,graythresh(f)); %使用全局阈值处理的logical图像 ? 从RGB空间到HSV空间： hsv = rgb2hsv(f); ? 获得其相应的H 、S和 V分量 subplot(2,2,1),imshow(hsv(:,:,1)) subplot(2,2,2),imshow(hsv(:,:,2)) subplot(2,2,3),imshow (hsv(:,:,3)) subplot(2,2,4),imshow(hsv) ? 当然还可以转到YCbCr空间， cbr = rgb2ycbcr(f); ? 转到NTSC彩色空间， ntsc = rgb2ntsc(f); ?
45520发布于 2019-05-26 - 来自专栏Mybatis学习
Tensorflow2——图像定位
图像定位 1、单张图片图像定位 2、随意尺度图片定位 3、批量图片定位 一级目录 给定一副图片，我们要输出四个数字（x,y,w,h），图像中某一个点的坐标（x,y），以及图像的宽度和高度，有了这四个数字 2、随意尺度图片定位 （代码紧接上） img=tf.image.resize(img,(224,224)) img=img/255 plt.imshow(img) ? 3、批量图片定位 创建输入管道 数据读取与预处理 获取图像的路径 images=glob.glob(". out_1,out_2,out_3,out_4=list(zip(*labels)) #把xmin,ymin,xmax,ymax分别弄在一起 out_1=np.array(out_1) out_2=np.array ((out_1,out_2,out_3,out_4)) ?
1.1K10发布于 2021-06-21 - 来自专栏绿盟科技研究通讯
图像可搜索加密（四）：基于TEE的方案
引言 在之前的文章[1]中，我们对图像可搜索加密的经典系统模型进行了介绍，并从效率主导与精度主导两个方面对现有研究方案进行了分析。 本文将介绍一种基于可信硬件的图像可搜索加密新方案。 二. 基于TEE的图像可搜索方案 图像可搜索加密本质上是为了在提供图像检索服务的同时,让服务提供方无法获知图像的内容。 准备阶段：云服务商基于可信硬件部署图像可搜索加密服务：在普通环境中部署服务平台，如前后端等；通过合适的配置，确保机密环境中可调度实际图像检索算法。 可信硬件作为计算的基础设施，很好的满足了图像可搜索加密在实践中的需求。 基于可信硬件的方案由于其实现原理，在性能上具有显著的优势：①文献[2]指出，部分机密环境中计算开销相比于普通环境仅上升10%；②图像拥有者与用户无需运行较复杂的功能加密算法，而只需要传统的对称与非对称加密即可完成图像的处理
69210编辑于 2024-07-02 - 来自专栏绿盟科技研究通讯
图像可搜索加密（一）：问题与方案概览
引言 在之前的文章中，我们对文本数据的可搜索加密方案[1]进行过简单介绍。如今，除了文本搜索之外，图像搜索也日益成为一项不可或缺的技术。 因此，如何在不泄露敏感信息的前提下，实现高效和准确的图像搜索，即所谓的“图像可搜索加密”，成了一个极具研究价值的课题。 本系列文章旨在对图像可搜索加密的各种主流方案进行全面而详细的解析，首篇文章我们将着重介绍图像可搜索加密的问题定义以及常见的解决方案模型。 在过去十多年的研究中，已有的方案总体可分为两大类：基于加密特征的安全检索和基于密文图像的安全检索。 3.1 基于加密特征的安全检索 图2. 综上所述，现有主流的图像可搜索加密方案可总结如下图所示： 图4. 图像可搜索加密方案概览 四. 总结 在本篇文章中，我们对现有图像可搜索加密文献做了一个简单的梳理与分析。
1K20编辑于 2023-09-13 - 来自专栏技术路漫漫
全文搜索实战2-ik分词及搜索高亮
[全文搜索结果高亮示意] ik分词插件安装及测试 首先，借助ik分词插件改善中文搜索： 鉴于github直接下载很慢，根据官网说明，采用下来离线包解压安装的模式 将下载得到的 elasticsearch-analysis-ik query" : { "match" : { "content" : "中国" }}, "highlight" : { "pre_tags" : ["<tag1>", "<tag2> 完成了上面基础服务之后，接下来是实现基本的关键词搜索及高亮功能。 模糊搜索服务实现 该服务主要实现： 因为要同时搜索title和detailText，因此采用multiMatchQuery模式。 通过HighlightBuilder类，构建搜索结果高亮逻辑。 /techlmm/search2 ，供参考，欢迎反馈相关问题及意见。
1.9K00发布于 2020-07-12 - 来自专栏指点的专栏
DFS-深度优先搜索—2
在这一篇博客：http://blog.csdn.net/hacker_zhidian/article/details/54773762中我们通过一道全排列的例子看了一下深度优先搜索（dfs）的基本思想和代码模型 所需的最短路径，样例数据： 5 4 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 3 2 是否已经走过），如果没有走过就可以走这个点，否则就要筛选下一个点，当然我们还需要判断迷宫边界，要走的点不能越界，那么，我们可以架构出大致的代码（将行作为x坐标，列作为y坐标）： int next[4][2] 0, 0}, {0, 0, 1, 0}, {0, 1, 0, 0}, {0, 0, 0, 1} }; // 储存迷宫信息的二维数组 int toX = 3, toY = 2; // 目标点 int book[100][100]; // 标记数组 int ans = 100000000; // 最短路径的结果 int next[4][2] = { // 代表下一步的4
49720发布于 2019-01-18 - 来自专栏若尘的技术专栏
2 - 设置python 模块搜索路径
设置python 模块搜索路径 working.py def greet(name): return 'Hello' + name 引用模块代码 import working print(working.greet 环境变量 [32] [在这里插入图片描述] [在这里插入图片描述] 添加.pth 文件 在python 目录添加一个扩展名为 .pth 的文件，将需要的模块路径写入，这样，python 脚本在运行时，会自动搜索路径 我的是 anaconda, 路径为 "python3.7/site-packages/xxx.pth" 如果使用 PyCharm，可以直接设置搜索路径 将自己写的模块放在文件夹中，右键此文件夹选择
2K117发布于 2021-05-22 - 来自专栏python开发者
【CCD图像检测】2：黑白图像检测的硬件设计
小车以模拟CCD摄像头为传感器，模拟式的采集先将一路视频信号引用图2电路，通过其可以将摄像头输出的复合视频信号进行分离，得到独立的同步信号和视频模拟量信号，然后通过逐行采样来完成整幅图像的采集。 在用软件处理时也同样有这样的问题，这个问题是用部分搜索来解决的。 因为在近处，CCD因为视野原因，正常情意下基本上不太可能看到赛道外部，于是这样就能确定起始搜索列的位置，然后逐步递推上去在一个小范围内搜索，当然还有些其它容错的思想在此不再赘述。 在硬件层面上，同样也能实现逐步搜索：在第一行信号进入时，根据上一行的中心，来对视频信号检测时机进行适当延时，跳过干扰地带后，再对跳变点进行检测。 软件层面： （2）利用新的数据结构，用时间换空间，这样在不采用计数器也能利用有限的空间存储更多的数据，这样就自然提高了图像采集的精度。
1.6K10编辑于 2022-05-10 - 来自专栏磐创AI技术团队的专栏
使用Keras构建深度图像搜索引擎
我们如何建立一个系统，能够找到这些图像的子集来更好地回答用户的搜索查询? 我们基本上需要的是一个搜索引擎，它能够根据图像与搜索查询的对应程度对图像结果进行排序，可以用一种自然语言表示，，也可以用其他查询图像表示。 然后定义两个子模型: 图像编码器:Resnet50预训练的ImageNet+GlobalMaxpooling2D 文本编码器:GRU+GlobalMaxpooling1D 图像子模型产生锚点E_a的嵌入 文字图片搜索： 在这里，我们使用几个文本查询示例来在一组70,000张图像中搜索最佳匹配。我们计算查询的文本嵌入，然后计算集合中每个图像的嵌入。我们最终在嵌入空间中选择最接近查询的前9张图像。 ? 这些例子表明，嵌入模型能够学习图像的有用表示形式和简单单词组成的嵌入。 图像搜索: 在这里，我们将使用图像作为查询，然后在包含70,000张图像的数据库中搜索与之最相似的示例。
76610发布于 2019-12-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号