孪生网络图像相似度_图像相似度比对

图像相似度比对这个问题，在传统算法中常常转化为sift特征点比对的方法去做，主要是sift算法对图像的光照、旋转、位移等等具有比较强的鲁棒性，但是整体精度没有特别高。随着深度学习技术的发展，目前对这个问题的解应该更加完美。所以最进在试图探究这个更加完美的解。

直观思路有2条：一条是利用现成的pretrain_model计算图像的高维特征向量，然后对特征向量，计算余玄距离；另一条是针对特定场景数据，建立图像对的数据集，然后构建深度模型，直接学习相似度。

先说下答案：两者效果整体上差不多，但各有优缺点。pretain_model余玄距离方式：优点很明显，不用准备打标数据集训练，直接预测，卡个阈值就能用，而且非常通用，适用几乎所有数据，缺点是准确率稍微低些（但实测对于高召回、低准确的应用场景基本够用了）；针对特定场景数据训练方式：优点是可以针对特定场景数据集调优，精度可以达到我们想要的精度；缺点是耗时耗力、只针对特定场景、通用性差。

下面简单说下技术方案。pretainmodel余玄距离方式基本不用说了，网上下载下pretrain_model，写个脚本预测下就可以了。有个很好的github工程：https://github.com/cameronfabbri/Compute-Features，下载下来就能用，很方便，可以快捷验证。我们重点说下针对特定场景数据训练方式。

在利用基于深度学习进行相似度比对时，我重点参考了这篇paper：

Learning to Compare Image Patches via Convolutional Neural Networks​arxiv