- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（7）
这道题迷宫中多了一些花样。一是迷宫中有陷阱，由X表示。除非处于无敌状态，否则不能经过陷阱。二是有些位置到达后会自动获得无敌状态，持续K步 我们可以看一下样例给的两个数据：
67720发布于 2018-07-24 - 来自专栏全栈程序员必看
方便查找规范的搜索引擎_查找免费图像的7个最佳搜索引擎「建议收藏」
很难比较本文中包含的7个搜索引擎的质量。 首先，我想对所有查询都运行相同的查询并比较结果。 而且，这些搜索引擎每天都会索引新图像，因此即使今天没有“晴天”的单个图像，明天也可能会添加数十个这样的图像。 因此，我将不会比较这7个引擎的搜索质量-我只会给他们留下我的印象，以及一些总体事实，例如它们包含在搜索中的照片数量或他们搜索的网站。 Flickr是如此庞大，并且不同的搜索引擎似乎返回不同的图像集，因此可能证明Veezzle可以在给定的搜索词中为您提供最佳的图像。 6.每张照片 (6. 7.看哪 (7.
2K30编辑于 2022-08-25 - 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
此外，提前计算出数据库中所有图像的矢量，这种方法既快速（一次正向传递就是一种有效的相似性搜索），又可以进行扩展。最后，如果我们设法为图像和单词找到常见的嵌入，就可以使用它们来进行文本到图像的搜索！ 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。 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。 参考文献 [1]: https://mp.weixin.qq.com/s/ICwRV6fjPqdlLboCzJM_pg [2]: https://mp.weixin.qq.com/s/AAf7WuPo3R5kYCkI2b
87110编辑于 2024-04-24 - 来自专栏InvQ的专栏
ElasticSearch 7.x 简体繁体搜索
需求，在搜索简体的时候，应该也能把繁体字搜出来。 因为我们一般很少用繁体字进行搜索，所以本篇文章，仅仅从索引层的analyzer的char_filter入手，在索引的时候，将繁体字转化为简体且存储为简体的索引进行建立，然后搜索的时候就可以使用简体字来搜索
2.1K10发布于 2020-11-24 - 来自专栏Linux基础入门
（7）Linux其他文件搜索命令
命令名称：which 命令所在路径：/usr/bin/which 执行权限：所有用户 语法：which 命令 功能描述：搜索命令所在目录及别名信息 例1：which 查找命令存放位置 命令名称：whereis 命令所在路径：/usr/bin/whereis 执行权限：所有用 语法：whereis [命令名称] 功能描述：搜索命令所在目录及帮助文档路径
2.1K20发布于 2020-08-26 《数字图像处理》实验7-图像特征提取
title('G通道', 'FontSize', 12); subplot(3,3,6); imshow(B); title('B通道', 'FontSize', 12); subplot(3,3,7) 、灰度变化最剧烈的区域； 应用场景：适用于图像匹配、目标识别（如物体追踪、图像拼接）。 '请选择要分析的图像文件'); % 处理文件选择（取消则使用默认图像） if isequal(fname, 0) || isequal(pname, 0) fprintf('用户取消了文件选择 ，使用默认示例图像... 通过本次实验，系统掌握了五大类图像特征的提取方法，理解了不同特征的核心优势与适用场景，为后续计算机视觉高级应用（如图像分类、目标检测）奠定了基础。
13810编辑于 2026-01-21- 来自专栏AIoT技术交流、分享
LabVIEW图像灰度测量（基础篇—7）
像素灰度是图像最为典型的特征之一，基于图像像素灰度能衍生更多的图像特征，包括图像的直方图、线灰度分布曲线、图像线灰度均值、ROl边界灰度曲线、灰度定量描述以及图像结构相似度等，如下图所示： ? 拓展学习：https://handsome-man.blog.csdn.net/article/details/116572729 在机器视觉领域，图像灰度特征可用于实现目标的存在性检测和基于灰度的模式匹配 在进行目标的存在性检测时，机器视觉系统会不断计算并监测指定ROI范围内的图像灰度量化指标是否在设定的范围内，若指标超限，则认为所检测的目标不存在。 基于灰度的模式匹配，可以计算图像中的灰度或梯度，并从中寻找可与模板图像匹配的特征。 在牙线生产过程中，常会出现牙线未安装或牙线断裂的情况。为了能剔除此类次品，可监测安装牙线区域的图像灰度均值及标准差。 通过一个基于图像灰度特征进行牙线检测的实例程序，了解其使用方法。 该实例使用了字符串状态机结构，包括程序初始化、基于标准样本设置ROI、更新测量坐标系、产品检
77130发布于 2021-08-10 - 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。 图1：基于TEE的图像可搜索加密方案 在整个过程中，敏感的图像数据始终是加密的，云服务商无法获知其内容。同时，敏感的图像检索计算也始终在可信环境中进行，云服务商无法窥探或篡改计算过程及结果。 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。
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。 ，那么通过明文特征去搜索明文图像库，就会很容易暴露出图像的大致信息。 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。 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。 结论: 在这个项目中，我们研究了机器学习模块，它允许我们构建一个基于关键字和图像的搜索引擎，应用于图像集合。
76610发布于 2019-12-12 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：6~7
捕获的图像可以传输到开发计算机，并用于创建 HDR 图像。 注意 从 iOS 7 开始，本机相机应用具有 HDR 模式，可自动快速捕获三幅图像，每幅图像具有不同的曝光度。 这些图像也会自动组合为单个（有时更好）的图像。 创建 HDR 图像 我们如何将多张（例如三张）曝光图像合成为 HDR 图像？ seamlessClone函数获取源图像，目标图像和遮罩图像以及目标图像中将插入裁剪对象的点（可以从这个页面）。 Intel SDK：此 SDK 在 Intel Core 处理器和 Intel HD GPU（例如 Intel + SSE4.1，SSE4.2 或 AVX，Intel Core i7，i5 和 i3（ , faces, scale_factor, min_neighbours, 0|CASCADE_SCALE_IMAGE, Size(face_size,face_size))多尺度检测方法在当前帧中搜索不同的面部
2.1K30编辑于 2023-04-27 - 来自专栏博文视点Broadview
偷窥了阿里的图像搜索架构，干货分享给你！
小编从《深度学习图像搜索与识别（全彩）》一书中“偷窥”到它的架构设计，分享给你！ 以下内容节选自《深度学习图像搜索与识别（全彩）》一书！ 随着业务的发展，也逐步建立了稳定的、可扩展的视觉搜索架构。 下图展示了拍立淘的整个图像搜索架构，分为离线和在线处理流程。 （图1 图像搜索架构） 离线处理主要是指每天生成图像引擎索引的整个过程。 粗筛选采用的是一种改进的基于二值特征（CNN 特征二值化）的二值倒排索引（二值引擎的内容可以参考第7章）。以图像ID为关键字、二值特征为值，通过汉明距离计算，可以快速滤除大量不匹配数据。 In IEEEConference on Computer Vision and Pattern Recognition(CVPR), 2014:1386–1393. [7] OlgaRussakovsky ▊《深度学习图像搜索与识别（全彩）》 潘攀 著 首度剖析基于深度学习的亿级图像检索技术平台 深度分析计算机视觉重要算法原理与应用场景 阐述构建大规划图像搜索平台思路、技巧与落地经验 图像搜索和识别是计算机视觉领域一个非常重要且基础的题目
1K20编辑于 2023-05-19 - 来自专栏yl 成长笔记
相似图像搜索从训练到服务全过程
最近完成了一个以图搜图的项目，项目总共用时三个多月。记录一下项目中用到机器学习的地方，以及各种踩过的坑。
1.3K30发布于 2018-09-12 - 来自专栏计算摄影学
7. 图像处理的应用-运动滤波
在前面的章节中，我讲了很多图像变换中的基本操作：图像滤波，包括空域滤波和频域的滤波。今天来给大家分享一个非常有意思的图像滤波的应用：运动滤波。 这里我们会看到计算摄影中图像的像素操作的新奇的应用，而且由于今天所讲述的操作对象是视频，因此我还会学习到图像的时域操作。 植物生长的原始视频 联想到我们之前学过的图像滤波的知识，你会怎么做来去除这些短期的晃动呢？我想你肯定想到了之前提到的一些图像滤波技术，例如高斯滤波，或者Box滤波。 naive的时域滤波带来的问题 也有人提出，对图像的特征点进行跟踪，观察它在每一帧的变换，获取到图像每个局部的变换模式，并利用这种模式进行平滑。 ，搜索窗口为 ?
1.2K21发布于 2020-04-17 - 来自专栏音视频技术
双编码器的自然语言图像搜索
1 介绍 该示例演示了如何构建一个双编码器（也称为双塔）神经网络模型，以使用自然语言搜索图像。 该数据集通常用image captioning任务，但我们可以重新利用图像标题对来训练双编码器模型进行图像搜索。 return keras.Model(inputs, outputs, name="text_encoder") 7 实现双编码器 为了计算loss，我们计算每个 caption_i和 images_j "Loss") plt.xlabel("Epoch") plt.legend(["train", "valid"], loc="upper right") plt.show() 9 使用自然语言查询搜索图像 return [[image_paths[idx] for idx in indices] for indices in results] 将查询变量设置为你要搜索的图片类型。
1.6K40发布于 2021-09-01
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