自制AI图像搜索引擎

封面

版权信息

序

前言

资源与支持

第1章 从文本搜索到图像搜索

1.1 文本搜索引擎的发展

1.2 文本搜索引擎的结构与实现

1.2.1 文本预处理

1.2.2 建立索引

1.2.3 对索引进行搜索

1.3 搜索引擎的一般结构

1.4 从文本到图像

1.5 现有图像搜索引擎介绍

1.5.1 Google图像搜索引擎

1.5.2 百度图像搜索引擎

1.5.3 TinEye图像搜索引擎

1.5.4 淘宝图像搜索引擎

1.6 本章小结

第2章 传统图像特征提取

2.1 人类怎样获取和理解一幅图像

2.2 计算机怎样获取和表示一幅图像

2.2.1 采样

2.2.2 量化

2.2.3 数字图像的存储

2.2.4 常用的位图格式

2.2.5 色彩空间

2.2.6 图像基本操作

2.3 图像特征的分类

2.4 全局特征

2.4.1 颜色特征

2.4.2 纹理特征

2.4.3 形状特征

2.5 局部特征

2.5.1 SIFT描述符

2.5.2 SURF描述符

2.6 本章小结

第3章 深度学习图像特征提取

3.1 深度学习

3.1.1 神经网络的发展

3.1.2 深度神经网络的突破

3.1.3 主要的深度神经网络模型

3.2 深度学习应用框架

3.2.1 TensorFlow

3.2.2 Torch

3.2.3 Caffe

3.2.4 Theano

3.2.5 Keras

3.2.6 DeepLearning4J

3.3 卷积神经网络

3.3.1 卷积

3.3.2 卷积神经网络概述

3.3.3 经典卷积神经网络结构

3.3.4 使用卷积神经网络提取图像特征

3.3.5 使用迁移学习和微调技术进一步提升提取特征的精度

3.4 本章小结

第4章 图像特征索引与检索

4.1 图像特征降维

4.1.1 主成分分析算法降维

4.1.2 深度自动编码器降维

4.2 图像特征标准化

4.2.1 离差标准化

4.2.2 标准差标准化

4.3 图像特征相似度的度量

4.3.1 欧氏距离

4.3.2 曼哈顿距离

4.3.3 海明距离

4.3.4 余弦相似度

4.3.5 杰卡德相似度

4.4 图像特征索引与检索

4.4.1 从最近邻（NN）到K最近邻（KNN）

4.4.2 索引构建与检索

4.5 本章小结

第5章 构建一个基于深度学习的Web图像搜索引擎

5.1 架构分析与技术路线

5.1.1 架构分析

5.1.2 技术路线

5.2 程序实现

5.2.1 开发环境搭建

5.2.2 项目实现

5.3 优化策略