- 综合排序
- 最热优先
- 最新优先
- 来自专栏李维亮的博客
PHPCMSV9按栏目搜索
1、修改后台添加、修改内容时添加栏目id到搜索表中 找到 phpcmsmodelcontent_model.class.php 大概106、287行左右，一共两处 $this->search_api( ,'',$catid); } elseif($action == 'delete') { $this->search_db->delete_search($typeid ,$id); } } 2、修改搜索模板文件 siteid`= '$siteid' AND `typeid` = '$typeid' $catid $sql_time AND `data` like '%$q%'"; } 最后，进入数据库，找到表v9_ search,添加字段catid，int,4 到网站后台全站索引一下，在搜索表单中添加以下代码就可以用了 <input type="hidden" name="catid" value="{$catid }"/> 缺点：如果该栏目下有子栏目，那么子栏目的文章是搜索不到的，只有在指定栏目ID下的直接文章才能被搜索到。
1.2K50发布于 2021-07-09 - 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 - 来自专栏脑机接口
eeglab教程系列(9)-绘制ERP图像
绘制ERP图像 eeglab 有一个绘制ERP image的功能，该功能可以对ERP 效应有一个更好理解。 这个ERP image 是一个2-D image，其中的横轴是每个epoch 的时刻值，纵轴是各个epoch 的编号，而该图像中的每一点表示相应的epoch 的相应时刻的电压值。 1.利用pop_erimage()绘制ERP图像 具体操作:Plot > Channel ERP image,在该界面中输入通道27，并输入smoothing 1 (表示的是在临近的epochs 进行平滑绘图的的时候
1.2K40发布于 2020-06-29 - 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。 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。 ,那么 cosθ=A·B/|A|*|B| 由于： A·B=1*4+2*5+3*6=4+10+18=32 |A|*|B|=(1*1+2*2+3*3)1/2*(4*4+5*5+6*6)1/2 =(1+4+9)
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 《数字图像处理》第 9 章 - 形态学图像处理
前言 形态学图像处理是数字图像处理中基于形状的图像处理方法，核心是利用结构元素对图像进行操作，广泛应用于图像分割、边缘检测、噪声去除、特征提取等场景。 本文结合《数字图像处理》第 9 章内容，从基础概念到实战代码，全方位讲解形态学图像处理，所有代码均可直接运行，附带效果对比图，帮你快速掌握核心知识点。 ，核心是用种子图像逐步填充掩码图像的区域，保留目标结构。 生成掩码和种子图像（支持测试图/自定义图像双模式） if use_custom_img: # 模式1：使用自定义图像 print("\n===== 使用自定义图像进行形态学重建 ，保留灰度图像的细节。
12610编辑于 2026-01-21- 来自专栏EdisonTalk
Elastic学习之旅 (9) 结构化搜索
结构化数据 结构化搜索（Structured Search）是指对结构化数据的搜索，那么，什么数据是结构化的呢？ ES中日期、布尔类型和数字都是结构化的。 另外，文本也可以是结构化的： 比如彩色笔可以有离散的颜色集合：红、蓝、绿等； 一个博客也可能被标记了一些标签：分布式、搜索、架构等； 电商网站上的商品都有UPCs（通用产品码）或其他的唯一标识 结构化搜索 结构化搜索（Structured Search）是指对结构化数据的搜索，那么我们接下来就看看如何做结构化搜索。在ES中对结构化数据进行匹配，主要使用term查询。 ，并通过几个实例了解了如何对结构化数据进行搜索。 在ES中，我们主要使用term对结构化数据进行搜索，而主要使用match对文本进行全文搜索。
38210编辑于 2024-04-13 《数字图像处理》第 9 章-形态学图像处理
本文将按照《数字图像处理》第 9 章的结构，从基础概念到实战代码，全方位讲解形态学图像处理的核心知识点，所有代码均可直接运行，配套效果对比图，让你轻松掌握这一关键技术！ 在数字图像处理中，形态学图像处理以集合论为数学基础，通过设计特定的 “结构元素（Structuring Element）”，对图像的像素集合进行操作，从而提取图像中的形状特征（如边界、连通区域、孔洞等） 9.6.1 测地膨胀和腐蚀 原理 测地膨胀：在掩膜图像的约束下，对标记图像进行膨胀，膨胀结果不能超出掩膜图像的范围； 测地腐蚀：在掩膜图像的约束下，对标记图像进行腐蚀，腐蚀结果不能小于掩膜图像的范围。 Gonzalez 等； OpenCV 官方文档：https://docs.opencv.org/4.x/d9/d61/tutorial_py_morphological_ops.html； 《图像处理中的数学方法 总结 本文从基础概念到实战代码，全面讲解了《数字图像处理》第 9 章形态学图像处理的核心内容，所有代码均可直接运行，配套效果对比图和 Mermaid 思维导图 / 流程图，帮助你直观理解形态学运算的原理和应用
26110编辑于 2026-01-21- 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。 这是为什么李彦宏在2012年KDD（知识发现世界年会）上提出9大待解技术问题，“基于内容的的视觉搜索”排在第3位。 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 - 来自专栏脑机接口
eeglab中文教程系列(9)-绘制ERP图像
本教程为脑机学习者Rose发表于公众号：脑机接口社区(微信号：Brain_Computer),QQ交流群：903290195 [欢迎关注] 绘制ERP图像 eeglab 有一个绘制ERP image的功能 这个ERP image 是一个2-D image，其中的横轴是每个epoch 的时刻值，纵轴是各个epoch 的编号，而该图像中的每一点表示相应的epoch 的相应时刻的电压值。 1.利用pop_erimage()绘制ERP图像 具体操作:Plot > Channel ERP image,在该界面中输入通道27，并输入smoothing 1 (表示的是在临近的epochs 进行平滑绘图的的时候
1.6K10发布于 2019-10-28 - 来自专栏往期博文
【OpenCV】Chapter9.边缘检测与图像分割
【计算机视觉】基础图像知识点整理【计算机视觉】数字图像处理基础知识题 此次来看OpenCV的实现方式。 OpenCV并没有直接提供相应的函数接口，因此通过自定义卷积核可以实现各种边缘检测算子。 ，8-bit 灰度图像，不适用彩色图像 edges：输出边缘图像，8-bit 单通道图像，大小与输入图像相同 threshold1：第一阈值 TL threshold2：第二阈值 TH apertureSize SplitMerge(src, dst3, hImg, wImg, 0, 0, maxMean, minVar, cell=8) # 最小分割区域 cell=8 plt.figure(figsize=(9, plt.figure(figsize=(9, 7)) plt.subplot(221), plt.axis('off'), plt.title("Origin") plt.imshow(cv2.cvtColor (gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV) plt.figure(figsize=(9, 6)) plt.subplot(131)
1.9K10编辑于 2022-09-28 - 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 - 来自专栏技术大杂烩
【算法题解】 Day9 二叉搜索树
验证二叉搜索树 98. 验证二叉搜索树 难度：medium 给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。 有效 二叉搜索树定义如下： 节点的左子树只包含 小于 当前节点的数。 节点的右子树只包含 大于 当前节点的数。 所有左子树和右子树自身必须也是二叉搜索树。 二叉搜索树的最近公共祖先 题目 235. 二叉搜索树的最近公共祖先 难度：medium 给定一个二叉搜索树, 找到该树中两个指定节点的最近公共祖先。 例如，给定如下二叉搜索树: root = [6,2,8,0,4,7,9,null,null,3,5] 示例 1: 输入: root = [6,2,8,0,4,7,9,null,null,3,5], 示例 2: 输入: root = [6,2,8,0,4,7,9,null,null,3,5], p = 2, q = 4 输出: 2 解释: 节点 2 和节点 4 的最近公共祖先是 2, 因为根据定义最近公共祖先节点可以为节点本身
30320编辑于 2023-08-31 - 来自专栏决策智能与机器学习
算法集锦（9）|自动驾驶|道路图像增强算法
因此，在训练自动驾驶算法时，需要一些特殊的图像增强处理。 为了更有效的训练汽车的CNN网络，本文提供了一个可模拟各种气候及环境的图像增强算法-Automold。该算法基于python的Numpy和OpenCV库开发，可以将图像转换至各种气候环境及季节。 接下来我们来看一些实际的处理效果，下图是汽车摄像头采集到的各种路况图像。 ? 雨雪天气 向路况图像添加雨雪天气环境可以帮助自动驾驶汽车训练如何在恶劣的路况下如何行驶。 Exception(err_snow_coeff) 6 else: 7 snow_coeff=random.uniform(0,1) 8 snow_coeff*=255/2 9 向图像添加碎石后，可以训练自动驾驶汽车去躲避路障。 ? 随机阴影 ?
1.6K30发布于 2020-08-04 - 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 - 来自专栏编程微刊
9个JavaScript图像处理库，收藏好留备用
1：pica 一个在浏览器中调整图像大小，而不会出现像素失真，处理速度非常快的图片处理库 此插件可帮助你减小大图像的上传文件大小，从而节省上传时间。 js库 Lena.js是一个用于图像处理的微型库。 它允许你将一些基本的图像过滤器应用于文档中的图像。 js库 这是一个简单的JS图像压缩器，它使用浏览器的本机canvas.toBlob API来处理图像压缩。 Demo：http://fabricjs.com/ Github：https://github.com/fabricjs/fabric.js star:18.7k 9：dom-to-image
3.5K20发布于 2021-05-24 - 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。 In IEEE Conference on Computer Visionand Pattern Recognition(CVPR), 2015:1–9. [6] Jiang Wang, Yang Song ▊《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 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
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