- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（8）
我们按照从上到下，从左到右的顺序将3x3的矩阵拉伸为1x9，则每一个状态都可以通过一个包含数字0~8的字符串表示。 因此搜索过程中，我们需要记录下每一个状态是否被搜索到过，避免重复搜索 我们先来分析一下状态空间，也就是一共有多少种不同的状态。显然每一个状态都对应了0~8的一个排列，所以一共有9! 2 3 4 5 6 7 8 距离：0 + 1 + 3 + 3 + 1 + 0 + 0 + 2 = 10 得到该状态的h值为10 在A星搜索中，每一次我们从候选队列中选取状态也不再按照先进先出的顺序 若openlist为空，结束搜索。 这里9个格子的位置依次是：0 1 2 3 4 5 6 7 8 f用来保存每个状态的f值。g_step保存的是状态的g值，也就是从初始状态到这个状态的步数。
86940发布于 2018-07-05 - 来自专栏Android开发指南
8.搜索
搜索 1.在res/xml/下创建searchable.xml文件 label hint * 注意：值不能直接写字符串，必须指向一个资源ID，例如@string/search_sms 2.创建SearchActivity intent-filter> <action name /> </intent-filter> <meta-data name resource /> </activity> 3.为了能让整个应用都可以调出搜索框 android.app.default_searchable" android:value=".SearchableActivity" /> 4.通过onSearchRequested()方法调出搜索框 5.在SearchableActivity中获取Intent,获取SearchManager.QUERY参数的值 进行搜索，搜索完之后获得Cursor,绑定数据 6.如果想要类似AutoCompleteTextView savedInstanceState) { super.onCreate(savedInstanceState); listView = getListView(); // 通过intent 获得，在搜索框中输入的内容
79950发布于 2018-05-14 - 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。 NMSLIB是一个可扩展的库，这意味着可以添加新的搜索方法和距离函数。NMSLIB可以直接在C ++和Python中使用。 详细参数 关于参数的设置可以见 https://github.com/nmslib/nmslib/blob/master/python_bindings/parameters.md 参考 高维空间最近邻逼近搜索算法评测 spm=a2c4e.11153940.blogcont697621.16.3ef936ddMFh7on）; 图像检索：再叙ANN Search（https://yongyuan.name/blog/ann-search.html
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 《数字图像处理》第 8 章-图像压缩
比如用 8 位（0-255）表示一个灰度值，但实际图像中大部分灰度值出现频率极低，这种 “一刀切” 的编码方式就造成了冗余。 8.2.7 位平面编码 位平面编码将图像的每个像素的二进制位拆分到不同的位平面（如 8 位灰度图拆分为 8 个位平面），对重要的低位平面保留，高位平面压缩 / 去除。 8的倍数 h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad(image, ((0, h_pad), ): h, w = image.shape h_pad = (8 - h % 8) % 8 w_pad = (8 - w % 8) % 8 img_padded = np.pad
21110编辑于 2026-01-21- 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。 https://mp.weixin.qq.com/s/ICwRV6fjPqdlLboCzJM_pg [2]: https://mp.weixin.qq.com/s/AAf7WuPo3R5kYCkI2b_8aw
87110编辑于 2024-04-24 - 来自专栏全栈程序员必看
8_搭建商城搜索微服务
搜索服务的父项目：supergo_search 1、建Module：supergo_search 2、删除src ---- 搜索服务的提供者：supergo_search_service9003 1、建 xml version="1.0" encoding="UTF-8"? useUnicode=true&characterEncoding=utf8&autoReconnect=true&allowMultiQueries=true username: root HttpResult.ok(); } } ---- 测试 浏览器输入： http://localhost:9003/goods/import 查看索引： 数据成功导入ElasticSearch ---- 8、 搜索索引库 数据导入Es后，下面开始搜索服务的创建 先看京东的搜索方式： 在输入栏搜索“苹果”，会出现按不同方式的聚合结果 然后在分类栏，选择”苹果”， 对地址url进行转义解析： 本次也是使用类型方案
84320编辑于 2022-09-12 《数字图像处理》第8章-图像压缩和水印
今天给大家带来《数字图像处理》第 8 章的全面解析 —— 图像压缩和水印。 # 分解比特平面 def decompose_bit_planes(img): """ 将8位灰度图像分解为8个比特平面 :param img: 8位灰度图像（uint8） 关键步骤： 运动估计：将目标帧分块（如 16x16），在参考帧的搜索窗内找最匹配的块，得到运动矢量（MV）； 运动补偿：用参考帧的匹配块 + 运动矢量，生成目标帧的预测块； 编码残差：目标块 - 预测块 ） :param frame1: 参考帧 :param frame2: 目标帧 :param block_size: 块大小 :param search_range: 搜索范围 block_size] min_ssd = float('inf') best_mv = (0, 0) # 搜索窗内匹配
17210编辑于 2026-01-21- 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。 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 《数字图像处理》实验8-图像识别与分类
实验环境 操作系统：Windows 8/10/11 软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox、Statistics and Machine ，突出米粒目标 % 步骤4：二值化（OTSU最优阈值） level = graythresh(I2); bw2 = imbinarize(I2, level); % 步骤5：连通区域标记（8连通域， 标记每个米粒） [labeled, numObjects] = bwlabel(bw2, 8); [L, n] = bwlabel(bw2, 8); % n为米粒总数 % 步骤6：可视化处理流程与计数结果 白色圆圈标记质心 plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8) （如提取线段用线结构元素）； 连通域选择：颗粒计数时，8 连通域比 4 连通域更贴合实际（米粒边缘可能不规整）。
15610编辑于 2026-01-21- 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。 ▊《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 针对每个算法模块，本书不仅深入浅出地解释了算法的工作原理，还对算法背后的演进机理和不同方法的特点进行了说明，在第2章至第8章最后均提供了经典算法的PyTorch 代码和相关参考资料。 互动赠书 在本文下方留言区留下你与图像搜索的故事，我们将随机选取1位小伙伴，赠送《深度学习图像搜索与识别（全彩）》一书。
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
# create index d = 128 nlist = 100 # 切分数量 nprobe = 8 # 每次查找分片数量 quantizer_img = faiss.IndexFlatL2(d)
1.3K30发布于 2018-09-12 - 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。 bert = hub.KerasLayer( "https://tfhub.dev/tensorflow/small_bert/bert_en_uncased_L-4_H-512_A-8/ 如果有2个GPU，则每个epoch需要8分钟左右。 "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
1.6K40发布于 2021-09-01 - 来自专栏全栈程序员必看
AI图像识别_头像搜索图片识别在线
使用百度AI图像识别提供的API接口来搭建识图工具，首先要注册百度开发者账号，然后找到图像识别页面，创建应用，申请成功后会给两个重要的数据API Key ，Secret Key，这是实现识图的重要参数， ' request = urllib2.Request(host) request.add_header('Content-Type', 'application/json; charset=UTF-8' ) response = urllib2.urlopen(request) content = response.read() if (content): print(content) 识别图像接口 这是百度给的请求方法，返回的content是json数据格式，需要使用loads方法转换为Python对象，token的获取也给了方法可以调用 # encoding:utf-8 import base64 Form): _translate = QtCore.QCoreApplication.translate # 设置窗体内容 Form.setWindowTitle(_translate("Form", "图像识别工具
4.6K10编辑于 2022-09-20 - 来自专栏数据派THU
构建可以查找相似图像的图像搜索引擎的深度学习技术详解
阅读本文后你将有能够从头开始创建类似图像的搜索引擎的能力。 图像检索（又名基于内容的图像检索Content-Based Image Retrieval 或 CBIR）是任何涉及图像的搜索的基础。 索引图像。索引是在所有图像上运行经过训练的模型，并将获得的嵌入写入特殊索引以进行快速搜索的过程。 步骤 3. 搜索。 使用用户上传的图像，通过模型获得嵌入，并将该嵌入与数据库（索引）中的其他图像的嵌入进行比较，并且搜索结果可以按照相关性排序。 通过增加lambda，使网络聚焦于图像的重要部分，这在某些任务中是很有效的。 距离的测量 1、索引 高质量搜索相似图像的另一个关键点是排名，即显示给定查询的最相关结果。 完整的样例介绍 这里以搜索相似商标logo为例介绍图像搜索引擎是如何工作的。 图像索引数据库的大小：数百万个商标。
1.5K20编辑于 2022-03-04
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