人工智能基础 课件 6.2 基于图片相似度的图片搜索.pptx

第6章自然语言处理与计算机视觉

任务1：使用序列到序列模型完成数字加法任务2：基于图片相似度的图片搜索自然语言处理基于LSTM的Seq2Seq模型计算机视觉图片搜索技术

2任务2：基于图片相似度的图片搜索计算机视觉图片搜索技术

计算机视觉计算机视觉（ComputerVision，CV）是一个跨学科的领域，旨在使计算机和系统能够从图像或多维数据中“理解”世界。它涉及从图像中提取信息、分析和理解视觉数据，以实现自动化和智能化操作。计算机视觉一直是人工智能领域的研究热点，而深度学习的出现为其带来了前所未有的创新与突破。

计算机视觉计算机视觉的应用场景1.农业领域果实采摘：农业机器人可以利用计算机视觉技术识别果实的位置、成熟度等信息，实现自动采摘，提高农业生产的自动化水平，降低人力成本。2.交通领域违章监测：通过安装在道路上的摄像头，计算机视觉系统可以识别车辆的车牌号码、行驶轨迹、速度等信息，实现对闯红灯、超速、违规变道等交通违法行为的自动监测和抓拍。

计算机视觉计算机视觉的应用场景3.科学领域科学研究：在生物学、天文学等领域，用于分析图像和视频数据，如分析生物细胞图像、天文观测图像等，帮助科研人员进行科学发现和研究。4.教育领域智能阅卷：能够识别和分析学生的答题卡和试卷，自动判断答案的对错并进行评分，提高阅卷效率和准确性。

计算机视觉计算机视觉的应用场景5.传媒娱乐领域影视特效制作：在电影、电视剧等影视作品的制作中，计算机视觉技术用于场景重建、虚拟角色创建和融合等方面。如《阿凡达》中的潘多拉星球和各种外星生物，通过计算机视觉与其他技术的结合，创造出了令人震撼的视觉效果。6.金融领域远程开户：用户在进行远程开户时，计算机视觉技术可以通过摄像头采集用户的面部图像，进行人脸识别和身份验证，确保开户人身份的真实性。

计算机视觉深度学习模型，特别是卷积神经网络（ConvolutionalNeuralNetwork，缩写CNN）,在图像识别、目标检测、图像分割等任务中展现出了卓越的性能，推动了计算机视觉技术的快速发展。卷积神经网络是一种专门为处理具有网格结构数据（如图像）而设计的深度学习模型，通过卷积层、池化层和全连接层等组件，自动提取数据的特征。

图片搜索技术基于图片相似度的图片搜索是一种利用计算机视觉和深度学习技术来识别和检索相似图片的技术。广泛应用于图像搜索、相似商品推荐、图像分类等领域，提升了用户体验和检索效率。

图片搜索技术图片搜索的基本思路和步骤:1.图片特征提取使用卷积神经网络（CNN）对输入的图片进行处理，将其转换为高维空间的向量表示。这个过程通常包括：（1）预处理：对图片进行缩放、归一化等操作，以使其适应网络的输入要求。（2）特征提取：通过经过训练的CNN模型提取图片的特征向量。这个特征向量能够捕捉图片中的重要信息，如形状、颜色和纹理等。2.相似度计算对两张图片的高维特征向量进行相似度计算。使用余弦相似度来衡量它们之间的相似程度。余弦相似度的计算公式为： 其中A和B是两张图片的特征向量。

图片搜索技术图片搜索的基本思路和步骤:3.模型训练在训练阶段，其目标是让同一类别的图片特征向量之间的余弦相似度尽可能高，而不同类别的图片特征向量之间的相似度尽可能低。4.模型预测在用户上传新图片后，系统会：（1）提取该图片的特征向量。（2）计算该特征向量与图片库中所有图片特征向量的余弦相似度。（3）根据相似度排序，返回与用户上传的图片最相似的图片列表。

图片搜索技术图片搜索技术的应用场景：利用深度学习技术提升了特征提取和相似度计算的效率和准确性。（1）电商平台：根据用户上传商品图片，推荐相似商品。（2）社交媒体：根据用户的照片，推荐相似风格的图片或滤镜。（3）内容管理：在图库中快速找到相似的图片，便于管理与分类。

图片搜索技术本任务目标：先将图片使用卷积神经网络转换为高维空间的向量表示，然后计算两张图片的高维空间的向量表示之间的相似程度，最终实现返回给用户按照相似程度由高到低的图片列表作为检索结果。

第6章自然语言处理与计算机视觉