如何高效开发相似图像门户网站？

大损失算子是基于三元组巨大损失算子格外进一步的学术论文，此算子也采行了锚点和正例定义，但采行的是多个而非单个负例技术开发。

4、加性角度有为数隔巨大损失算子(Angular Additive Margin，也并称ArcFace)

一组巨大损失算子的疑问在于选人择正例、负例和锚点的组合并成特别——如果只是从三幅表集当中均匀随机选人取它们，那么就就会注意到“较重一组”的疑问。注意到这种简单的三幅形一组时，巨大损失为0。事实证明，此同一时间提在线就会很快收敛到一种状态，在这种状态下，种产品当中的大多为数特性都极易处理，其巨大损失将变并成零——此时神经元在线将停止自学。为了避免这个疑问，此正则表达式的联合开发工作人员开始驳斥复杂的一组发掘技术开发——硬式负例发掘和硬式正例发掘。有关疑问可参见(_loss/)，该篇文章尤其了多种巨大损失算子。此外PML特()也实现了许多发掘原理。差值得注意的是，这个特当中涵盖了许多在PyTorch原理论上等价自学护航的有用讯息。

解决上述疑问的另一种提案是采行分类巨大损失算子。我们不妨说起三年同一时间推出的面部识别正则表达式ArcFace，它是当年最先进的，也避免了当年众所周知的“缺陷”特点的依赖于。

该正则表达式的主要观点是在一般而言的一个大热力学的基本上增高一个缩进m，该一个大热力学将一类三幅形的浸入层分布在该类三幅形的角速度区域，以便它们都与其他类的浸入层簇至少相隔一个角度m。

这看起来也许是一个令人难忘的巨大损失算子技术开发细节，尤其是当针对MegaFace指标()规模联合开发人工智能控制系统时。但必须也许，只有在依赖于分类标上的同一时间提，此正则表达式才就会起作用;否则，你将不得不面临一组巨大损失算子疑问。

上三幅当中直观地展览品了采行单类标上和多类标上时，哪些巨大损失算子最适合(可通过推算多页面分用量结果揭示之有为数的交集百分比，从多类标上当中导出一组标上)。

池化

那时候，让我们彻底改变一下神经元在线体系结构，不妨回避在执行三幅形参考资料护航当中采行一对池化层的处理方式。

1、R-MAC池化

R-MAC(区域最大卷积介导)是一个池化层，它接受神经元在线的输入映射(在当同一时间池化层或分类层之同一时间)，并返回一个xml分用量，此分用量为输入三幅当中各个窗台当中的介导用量之和。在这里，窗台的介导用量取为每个通道单独获取该窗台的也就是说。

这个结果xml的推算全过程当中回避了三幅形在多种不同尺度下的区域内特点，从而创始了一个段落丰富的特点描述。这个xml本身可以是一个浸入层，因此可以反之亦然发送到巨大损失算子。

2、GeM池化

GeM(单指最低池化)是一种简单的池化正则表达式，可以提较高输入xml的精确度。底线是，精华的最低池化可以倡导到lambda范为数。通过增高lambda层，我们使神经元在线关注三幅形的重要均，这在某些护航当中可能会很重要。

测距

1、录入

较高精确度查告诉他类似三幅形的决定性是名列第一，即揭示等价参考资料的最就其结果揭示。此全过程的基本特点以外：建起xml录入的最低速度、查告诉他的最低速度和闲置的缓存。

最简单的原理是持续保持浸入层“对着正面”并对其顺利完并成格外格外进一步查告诉他，例如采行正切东北方实现。但是，这种原理在有大用量浸入层时就会注意到疑问——为比例可能会是为数百万、为数千万甚至格外多。而且，查告诉他最低速度显著降低，闲置的堆空有为数也就会格外进一步增高。不过，还是依赖于积极的特别——采行现有的浸入层才可实现令人难忘的查告诉他精确度。

这几个疑问可以以白白精确度为代价来解决——以缓冲(用量化)而不是以许多现代表达方式存储浸入层。而且还要改变查告诉他作法——不是采行暴力查告诉他，而是尝试顺利完并成最小尤其次为数以告诉他到与等价参考资料最类似于的所需尤其次为数。目同一时间为止现在依赖于大用量必需的查告诉他原理论可以类似查告诉他最类似于的段落。为实现这一意在，一个特殊的指标测试现在创始——根据这个指标你可以观测到每一种特在多种不同三幅表集上的表现。

其当中，最出名的特有：NMSLIB(非等价空有为数特)、Spotify的He特、Facebook的Faiss特以及Google的Scann特等。此外，如果您想用REST API顺利完并成录入的话，可以回避采行Jina应用领域程序()。

2、重新名列第一

讯息参考资料各个领域的深入研究工作人员早就了解到，在接到许多现代查告诉他结果后，可以通过某种方式对工程项目重新排序来改进有序的查告诉他结果。

一种闻名的正则表达式是拓展参考资料(Query Expansion)。该正则表达式的核心观点是采行最类似于特性论域当中的同一时间top-K个特性生并成新的浸入层。在最简单的同一时间提，可以如上三幅所示取最低分用量。其实，你还可以根据疑问当中的东北方或与请的正切东北方对浸入层顺利完并成平均数操作。在《基于视线的参考资料扩展自学》()一文当中曾详实提到了一个原理论，或者你也可以通过操作符方式来采行拓展参考资料正则表达式。

3、k的中心正则表达式

上三幅是一个笔下除此以外物体识别的应用领域程序相片。其当中，三幅上部说明了参考资料及其10个最的中心三幅表，其当中P1-P4为正例，NI-N6为负例。三幅底部当中的每两列揭示结果揭示笔下的10个最的中心居。紫色和绿色框分别完全一致于结果揭示笔下和正例。我们可以观察到，结果揭示笔下和正例相互之有为数有10个除此以外的陌生人。

k的中心正则表达式主要围绕同一时间top-k个特性展开，其当中以外最类似于请本身的k个特性。

在这个论域的基本上，建起了对结果重新排序的全过程，其当中曾一个全过程在篇文章《基于k的中心正则表达式的笔下再识别讯息重排序深入研究》 ()当中说明了描述。根据定义，k的中心正则表达式(k-reciprocal)比k最的中心正则表达式(k-nearest neighbors)格外类似于参考资料结果。因此，人们可以具体来说看来K的中心正则表达式论域当中的特性是正例，并且可以格外进一步改变平均数规则用作不尽相同于拓展参考资料这样的正则表达式。

在该文当中，一种机制已联合开发出来，它可以采行top-k当中特性本身的k-的中心论域来重新推算东北方。该文涵盖大用量推算讯息，暂时都是本文的讨论范围内，同意有兴趣的听众可以告诉他来反之亦然选读。

类似三幅形查告诉他正则表达式效果用量化

接下来，我们来用量化一下本文驳斥的类似三幅形查告诉他正则表达式的精确度疑问。差值得注意的是，实现这项查告诉他护航全过程当中依赖于许多细节，而初学者在第一次联合开发三幅形参考资料工程项目时很可能会不就会注意到这些疑问。

1、等价

本文将探究在三幅形参考资料各个领域普遍采行的一些流行等价正则表达式，比如precision@k、recall@k、R- precision、mAP和nDCG等。

【译者必要】；也，下述有关正则表达式当中的precision代表者参考资料出来的请注意有多少是精准的，recall则代表者所有精准的请注意有多少被参考资料出来。

(1)precision@R正则表达式

上述方程组当中，

参为数RELk回应：top-k个结果当中就其结果揭示的为比例;

参为数k回应：必须回避的上方右边的固定结果揭示为比例。

特点：可以揭示top-k当中就其结果揭示所占的百分比差值。

缺陷：

对等价参考资料的就其结果揭示为比例非常敏感，这就避免未对查告诉他精确度顺利完并成充分分析，因为多种不同参考资料的就其结果揭示为比例多种不同。 只有当所有参考资料当中的就其结果揭示为比例相等或者相等k时，才能达到差值1。

(2)R-precision(精准赴援)正则表达式

上述方程组当中，参为数RELR回应：top-R个结果当中就其结果揭示的为比例;

参为数R回应：等价参考资料当中所有就其结果揭示项的为比例。

与正则表达式precision@k不尽相同，参为数k也被设立为就其参考资料结果揭示的为比例。

特点：不像precision@k当中位为数k的那样敏感，等价变得稳定。

缺陷：必须先行其实与请就其的结果揭示的总为比例(如果不把所有就其的位为数都先标上出来，可能会避免疑问)。

(3)Recall@k(调回赴援)正则表达式

上述方程组当中，参为数RELk回应：top-k个结果当中就其结果揭示的为比例;

参为数k回应：必须回避的上方右边当中结果揭示的固定为比例;

参为数REL回应：等价参考资料当中所有就其结果揭示项的为比例。

这个正则表达式需要揭示top-k当中发现的就其结果揭示项的比例。

特点：

回答了在top-k当中这两项确实就其的疑问 稳定且最低将将近请

(4)mAP (均差值最低精准赴援)正则表达式

本正则表达式需要揭示出查告诉他结果上方就其结果揭示的通用量。你可以将其看作浏览器采行者接到的讯息用量，此时浏览器读写的页面为数至少。因此，讯息用量与读写的页为数之比越大，等价就越较高。

特点：

对查告诉他精确度顺利完并成充分稳定的分析 精准调回曲线的一位为数回应，其本身随身携带有丰富的用量化讯息

缺陷：

必须其实与请就其的总结果揭示为比例(如果一无把所有就其的结果揭示都标上出来可能会有疑问)

【高亮】可从一文了解到格外多关于mAP正则表达式输入的讯息。

(5)nDCG(一维累加增益)正则表达式

上述方程组当中，

参为数RELk回应：右边k之同一时间的就其结果揭示项年表(按就其性排序);参为数ri回应：

参考资料结果当中第i项的四舍五入真差值就其性全队。

这个等价正则表达式揭示了top-k当中的特性在它们之有为数排序的正确程度。由于这是上面这些原理当中唯一回避特性依次的等价正则表达式，我们就不详述它的优缺陷了。不过，有深入研究表明，当必须回避依次时，该等价正则表达式极为稳定并且在大多为数同一时间提适用。

2、正则表达式整体亦同估

(1)宏观特别：为每个请推算一个等价，并且对所有请推算百分比。

特点：与此参考资料就其的多种不同为比例的三幅表没显著波动。 缺陷：所有参考资料都被看来等同，尽管有些参考资料比其他参考资料就其性格外强。

(2)微观特别：在所有参考资料当中，标上就其和单独顺利告诉他到就其的为比例顺利完并成割地，然后都参与到相应等价的推算当中。

特点：对参考资料顺利完并成分析时，就会回避与每个参考资料就其的标上为比例。 缺陷：如果某个请当中曾很多标上的就其等价，并且控制系统没顺利或者顺利地将它们带回上方，那么等价的推算结果可能会变得非常低或者非常较高。

3、控制系统证明

同意听众对本文正则表达式实施以下两种证明提案：

(1)基于一组参考资料和物色的就其参考资料顺利完并成证明

输入：三幅形请割地与之就其的三幅形，并且依赖于与此参考资料就其的年表表达方式的标上。为了推算等价，可以推算每个特性的就其性矩阵，并根据特性就其性的整为数讯息来顺利完并成推算。

(2)全基证明

此正则表达式的输入均以外：三幅形请以及与之就其的三幅形，还应有一个三幅形证明三幅表特——很好同一时间提，所有就其的参考资料都就会在其当中顺利完并成标上。此外，该三幅表特当中不应涵盖参考资料三幅形;否则，将不得都是查告诉他过渡期清除该类三幅形，以便它们不就会封闭于top-1层上。此外还缺少了一组负例作为证明基——我们的护航是告诉他出与之就其的东西。

为了推算等价，你可以遍历所有请，推算到所有特性(以外就其特性)的东北方，然后将它们发送到等价推算算子。

已完并成工程项目示例

在某家的公司应不应采行另一家H&M三幅案特性的疑问上，的公司有为数随处可见利益冲突。在这种同一时间提，实力强于的制造公司试三幅寄生于一家顺利的大H&M，用不尽相同符号展览品自家产品和增差值。但是，消费者也就会因此受到影响——你可能会想从你忠诚的制造公司那里购置奶酪，但却没仔细选读页面，于是错误地从假冒的制造公司那里购置了伪劣产品。除此以外有个案例是苹果的公司试三幅阻止Prepear的公司的标志百事采行()。

于是，有一些机械工程中央政府组织或私人机构的公司来压制非法移植。他们所有者注册百事的登记簿，通过该登记簿可以对刚刚引入的百事顺利完并成比对，最终决定批准还是拒绝接受百事注册申请。以上是采行WIPO()控制系统接口的一个典型示例，在这样的控制系统当中，查告诉他类似的三幅形功能将为其缺少非常大便利，帮助有关深入研究员快速地查告诉他到不尽相同三幅形。

1、控制系统应用领域并不一定

在我们联合开发的控制系统当中，经录入的三幅形三幅表特当中以外为数百万个百事。下面说明的第一张三幅表是一个参考资料结果展览品，下一行(第二张三幅表)说明一个亦同期的就其三幅表年表，右方其余几行当中的三幅表则是浏览器按照就其性降低的依次说明的查告诉他结果。

译者详述

朱先忠，51CTO活动中心编辑，51CTO深入研究员新浪、讲师，潍坊市的大学较高校推算机教师，为自由编程圈内同袍一枚。以同一时间个人兴趣各种赛门铁克技术开发(作序并成ASP.NET AJX、Cocos 2d-X就其三本技术开发三幅书)，将近十多年追随开源世圈内(熟悉流行全栈Web联合开发技术开发)，了解基于OneNet/AliOS+Arduino/ESP32/树莓派等海用量联合开发技术开发与 Scala+Hadoop+Spark+Flink等大三幅表联合开发技术开发。

原文标题：How to Build an Image Search Engine to Find Similar Images，作者：EORA

。

北京看不孕不育去什么医院好
西安男科医院去哪家好
厦门妇科专科医院哪家好
南昌好的男科专科医院
西安看白癜风去哪家医院最好
用血糖仪测血糖准吗
血糖仪什么牌子的好
抑制胃酸用金奥康可以吗
家用要什么样的血糖仪
哪个厂家的血糖仪准确度高