典型的以图搜图系统所拥有的基础框架:
online部分,其中特征提取(query)和offline的特征提取(database)需要保持高度的一致性。
以图搜图技术需要根据不同的使用场景来选择合适的技术方案,尤其是特征的选择。
特征层面:
特征类型对检索效果影响很大;但特征的学习方式,尤其是引入度量学习的思路之后,即便是同一个网络的同一层特征,不同的训练方式对最后的精度也会有很大的影响。
检索引擎:
CNN卷积特征+VLAD+PQ量化的方案
以图搜图是工程+算法的结合,架构演进
理想状态下的以图搜图架构,需要尝试去解决的几个问题:
1. 如何解决检索库动态增加的问题;
2. 如何解决全量的特征迭代的问题,也就是说query和database的特征需要同步;
3. 特征增强,在检索结构确定的情况下获得更好的检索效果;
4. 高并发低延迟;
https://zhuanlan.zhihu.com/p/65306548
CBIR论文总结
https://github.com/willard-yuan/awesome-cbir-papers