掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
妙相梵容
-
>
基立爾蒙文:蒙文
-
>
我的石頭記
-
>
心靈元氣社
-
>
女性生存戰爭
-
>
縣中的孩子 中國縣域教育生態
-
>
(精)人類的明天(八品)
智能檢索實戰/王家寶 版權信息
- ISBN：9787302505181
- 條形碼：9787302505181 ; 978-7-302-50518-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
智能檢索實戰/王家寶 本書特色
內容實用 《智能檢索實戰》提供了如何利用檢索工具搭建自己的檢索系統，選擇了文本和圖像*為常用的數據，實踐對數據的檢索。 技術新穎 《智能檢索實戰》涵蓋了人工智能領域*新的深度學習技術，介紹了如何利用深度學習提高檢索精度和速度，并探索了基于深度學習的跨模態圖文檢索。 案例詳細 本書提供了基于文本和圖像的實戰案例，描述詳細、分析深入，提供了完整的案例源碼，方便學習和使用。 幫助讀者實現利用深度學習技術對文本和圖像等大數據進行智能檢索；案例翔實，描述詳細，分析深入，提供完整的案例源碼。
智能檢索實戰/王家寶 內容簡介
智能檢索是適應大數據和人工智能迅速發展的信息檢索新方式。本書分為兩個部分。靠前部分以工程應用為目標，介紹了文本的本地檢索和網絡檢索，基于全局特征、局部特征的圖像檢索，以及定制圖像檢索新特征和圖像檢索相關反饋;第二部分以技術研究為目標，介紹了利用深度學習特征提高檢索精度，利用哈希特征提高檢索速度，以及跨模態的深度哈希圖文檢索技術。全書從指導實踐出發，附有所有實戰源代碼，為讀者提供了聯系實際、直接可用的檢索系統和檢索技術。 本書是信息檢索及相關課程的教學參考書，適用于高等院校信息檢索專業的大學生和研究生，也可供從事信息檢索相關專業的研發人員參考。
智能檢索實戰/王家寶 目錄
目錄
第1章搜索引擎初探1
1.1Eclipse開發環境1
1.1.1Eclipse簡介1
1.1.2JDK與JRE1
1.1.3JDK和Eclipse的安裝2
1.1.4用Eclipse開發HelloWorld項目7
1.2Lucene環境配置11
1.2.1Lucene簡介11
1.2.2Lucene的安裝13
1.3Lucene索引與檢索示例14
1.3.1索引和檢索的概念14
1.3.2一個簡單的搜索應用程序14
1.4小結17
參考文獻17
第2章基于Lucene的本地檢索18
2.1Lucene索引簡介18
2.1.1Lucene索引18
2.1.2Lucene索引文件20
2.2Lucene的索引接口21
2.2.1Directory類21
2.2.2Analyzer類21
2.2.3Document類與Field類21
2.2.4IndexWriter類22
2.3Lucene的檢索接口23
2.3.1IndexSearcher類23
2.3.2Term類23
2.3.3Query類24
2.3.4QueryParser類24
2.3.5Sort類和Hits類24
2.4中文分詞24
2.5基于Lucene的本地檢索實戰27
2.5.1文本數據準備27
2.5.2Lucene本地索引27
2.5.3Lucene本地檢索31
2.6索引可視化工具Luke32
2.7小結35
參考文獻35
目錄智能檢索實戰第3章基于Solr的網絡檢索36
3.1Solr簡介36
3.2Solr配置和使用37
3.2.1Tomcat安裝37
3.2.2安裝并配置Solr至Tomcat38
3.2.3新建并配置core42
3.2.4配置和使用中文分詞43
3.3基于Solr的網絡檢索實戰47
3.3.1數據準備47
3.3.2Solr網絡索引48
3.3.3Solr網絡檢索51
3.4小結52
參考文獻53
第4章基于Lire全局特征的圖像檢索54
4.1Lire簡介54
4.1.1Lire庫導入54
4.1.2Lire庫分析56
4.2Lire全局特征索引57
4.2.1Lire全局特征索引方法57
4.2.2Lire全局特征索引實現57
4.3Lire全局特征檢索60
4.3.1Lire全局特征檢索方法60
4.3.2Lire全局特征檢索實現61
4.4Caltech256數據測試63
4.4.1測試數據和基本思路63
4.4.2測試實現63
4.5基于Lire全局特征的圖像檢索實戰66
4.5.1主體框架構建66
4.5.2外部依賴包導入67
4.5.3搜索引擎界面實現69
4.5.4搜索引擎后臺實現71
4.5.5搜索引擎配置和部署77
4.5.6搜索引擎操作和效果78
4.6小結79
參考文獻80
第5章基于Lire局部特征的圖像檢索81
5.1詞袋模型簡介81
5.2Lire局部特征索引83
5.2.1Lire局部特征索引方法83
5.2.2Lire局部特征索引實現84
5.3Lire局部特征檢索85
5.3.1Lire局部特征檢索方法85
5.3.2Lire局部特征檢索實現86
5.4Lire中SIFT特征的改進87
5.5Caltech256數據測試92
5.6基于Lire局部特征的圖像檢索實戰93
5.6.1主體框架構建93
5.6.2搜索引擎界面實現94
5.6.3搜索引擎后臺實現94
5.6.4搜索引擎配置和部署98
5.6.5搜索引擎操作和效果98
5.7小結99
參考文獻99
第6章面向Lire定制圖像檢索新特征101
6.1Lire特征類的結構101
6.2Lire顏色布局特征102
6.3添加新的圖像特征105
6.4矩特征的索引和檢索110
6.5小結112
參考文獻112
第7章面向Lire定制圖像檢索的相關反饋114
7.1基于SVM的相關反饋原理114
7.2相關反饋實戰115
7.2.1主體框架構建115
7.2.2外部依賴包導入115
7.2.3搜索引擎界面實現116
7.2.4搜索引擎后臺實現117
7.2.5搜索引擎配置和部署118
7.2.6搜索引擎操作和效果119
7.3關鍵代碼解析120
7.3.1生成索引階段120
7.3.2查找檢索階段121
7.3.3反饋檢索階段123
7.4小結127
參考文獻127
第8章基于預訓練卷積特征的圖像檢索128
8.1卷積神經網絡技術128
8.1.1卷積129
8.1.2池化130
8.1.3ReLU130
8.1.4全連接130
8.2卷積神經網絡模型簡介131
8.2.1AlexNet網絡模型131
8.2.2VGGNet網絡模型132
8.2.3ResNet網絡模型133
8.3基于預訓練卷積特征的圖像檢索實戰135
8.3.1環境配置135
8.3.2數據準備137
8.3.3預訓練網絡特征提取137
8.3.4預訓練網絡檢索評測140
8.3.5預訓練網絡檢索效果144
8.4小結146
參考文獻146
第9章基于遷移學習卷積特征的圖像檢索147
9.1遷移學習技術147
9.2遷移學習方法簡介148
9.2.1遷移學習的定義與分類148
9.2.2深度遷移學習148
9.2.3卷積神經網絡的遷移149
9.2.4遷移學習抑制過擬合150
9.3基于遷移學習卷積特征的圖像檢索實戰151
9.3.1遷移學習網絡設計152
9.3.2數據準備152
9.3.3遷移學習網絡構建155
9.3.4遷移學習網絡訓練157
9.3.5遷移學習網絡檢索評測159
9.3.6遷移學習網絡檢索效果159
9.4小結162
參考文獻162
第10章基于局部敏感哈希的圖像檢索163
10.1局部敏感哈希技術163
10.1.1哈希簡介163
10.1.2近似*近鄰搜索問題164
10.2局部敏感哈希方法簡介165
10.2.1LSH算法166
10.2.2E2LSH算法167
10.3基于局部敏感哈希的圖像檢索實戰168
10.3.1局部敏感哈希軟件包168
10.3.2局部敏感哈希函數功能介紹168
10.3.3局部敏感哈希測試數據集170
10.3.4局部敏感哈希索引建立170
10.3.5局部敏感哈希索引分析173
10.3.6局部敏感哈希檢索效果178
10.4小結181
參考文獻181
第11章基于深度哈希的圖像檢索182
11.1深度哈希技術182
11.2深度哈希方法簡介183
11.3基于深度哈希的圖像檢索實戰185
11.3.1深度哈希網絡設計185
11.3.2深度哈希網絡構建187
11.3.3深度哈希網絡訓練189
11.3.4深度哈希網絡檢索評測190
11.3.5深度哈希網絡檢索效果192
11.4小結193
參考文獻193
第12章跨模態的深度哈希圖文檢索195
12.1跨模態檢索技術195
12.2跨模態檢索方法簡介196
12.2.1基于典型相關性分析的跨模態檢索196
12.2.2基于深度學習的跨模態檢索197
12.3跨模態的深度哈希圖文檢索實戰199
12.3.1跨模態哈希網絡設計199
12.3.2數據準備200
12.3.3跨模態哈希網絡構建201
12.3.4跨模態哈希網絡訓練205
12.3.5跨模態哈希網絡特征提取207
12.3.6跨模態哈希網絡檢索評測209
12.4小結211
參考文獻212
附錄A信息檢索評價指標213
A.1召回率與準確率213
A.2F1分數指標213
A.3mAP指標214
A.4CMC曲線215
展開全部
智能檢索實戰/王家寶 節選
第5章基于Lire局部特征的圖像檢索本章以詞袋(Bag of Words, BoW)模型為牽引闡述基于局部特征的圖像檢索。首先簡述詞袋模型的基本原理,然后詳述使用Eclipse開發環境和Lire開發包完成基于詞袋模型的特征索引和檢索,接著介紹將SIFT特征改進為RootSIFT特征的方法,*后基于Lire開發包實現基于局部特征的圖像檢索系統。本章的重點是理解并運用Lire中局部特征的索引與搜索,難點是改寫Lire中有關SIFT特征的源碼并實現實用系統。開發環境: Windows 7操作系統軟件及開發包: jdk8u131windowsx64.exe eclipsejeemars1win32x86_64.zip apachetomcat8.0.43.exe lire0.95開發包5.1詞袋模型簡介詞袋模型*早應用于文本領域［1］,［2］,是自然語言處理和信息檢索中的一種假設;即在該模型中,文本被視為無序的詞匯集合,模型僅通過文本中各詞匯的頻率來反映文本的內容,而忽略單詞的順序、搭配和語法結構等。由于視覺局部特征與自然語言的詞匯具有一定的相似性,因此在2005年詞袋模型被研究者遷移使用到視覺領域［3］,［4］,并開始越來越多地應用于圖像識別和檢索等應用中。如果把圖像的局部特征歸類為一個類似自然語言詞典的集合,那么每一個圖像局部特征就可以視為一個視覺詞匯,其完整集合就是一部視覺詞典,視覺詞匯及其頻率可以描述圖像的特征。以下簡述詞袋模型在圖像領域的應用步驟,假設提取的特征為SIFT特征［5］。圖51三類目標圖像步驟1: 提取訓練圖像的局部特征。如圖51所示,有人臉、自行車、小提琴三類目標圖像,則提取出眼睛、車輪、鼻子等一系列局部區域,如圖52所示。圖52三類目標的局部特征塊步驟2: 對提取出來的局部區域進行特征描述,再對特征進行KMeans聚類。如圖53所示,假設K=4,則得到4個聚類中心。這4個聚類中心構建成一個詞典,每個聚類中心可視為一個視覺單詞。圖53對局部區域特征進行聚類并構建詞典智能檢索實戰第5章基于Lire局部特征的圖像檢索步驟3: 對每一幅圖像提取局部區域,提取特征后歸類并統計各類擁有單詞的頻率,則每類目標圖像的所有局部特征在詞典上的分布可以以直方圖的形式表示出來,如圖54所示。其中,左側為人臉目標,在皮膚和人眼上的概率大;中間為自行車目標,在車座上的概率大;右側為小提琴,在小提琴底座上的概率大。圖54基于分布的目標表示綜上所述,詞袋模型認為不同的目標既具有共有的局部特征,也具有不同于其他目標的特有局部特征。如果將每幅目標圖像轉化為一個在所有局部特征(詞典)上的概率分布,那么就可以用該分布(向量)描述目標,進而用于分類、檢索等任務。5.2Lire局部特征索引本節主要介紹Lire局部特征的索引方法及其實現過程
書友推薦
- >
詩經-先民的歌唱
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
【精裝繪本】畫給孩子的中國神話
- >
名家帶你讀魯迅:故事新編
- >
羅曼·羅蘭讀書隨筆-精裝
- >
羅庸西南聯大授課錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
苦雨齋序跋文-周作人自編集
本類暢銷
