以圖搜圖的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

PyTorch深度學習：電腦視覺流行專案親自動手

為了解決以圖搜圖的問題，作者郭卡,戴亮 這樣論述：

從實踐中理解深度學習，從專案中掌握電腦視覺知識 零數學公式，PyTorch入門的最佳選擇！ 　　本書分為基礎講解和專案實例兩個部分，以程式撰寫為主，理論解析為輔。 　　在基礎講解部分，本書透過程式設計實驗對深度學習理論進行展示，讓讀者能夠擺脫複雜難懂的數學公式，在程式設計的過程中直觀了解深度學習領域晦澀的原理。介紹scikit-learn和PyTorch兩個函數庫的組成模組，以及每個模組能解決的問題。 　　在專案實例部分，為了幫助初學者快速了解深度學習中的一些細分領域（如物件辨識、圖型分割、生成對抗網路等）的技術發展現狀，本書對相應領域的經典演算法進行了介紹，並根據經典演算法的想法，

針對性地設計了適合初學者學習的實例專案。這些專案去除了演算法中的繁瑣細節，僅保留最基礎的邏輯，力求讓讀者在撰寫程式之前，更進一步地了解任務想法。我們為讀者挑選了很多在業界有實際應用場景的深度學習專案，重點介紹它們的想法以及程式實現。 　　【本書特點】 　　．最紮實的Sklearn根基 　　．最好用的PyTorch+Anaconda+Jupyter實作 　　．最簡單的實例完勝卷積神經網路 　　．物件辨識、圖型分割、以圖搜圖 　　．GAN生成對抗網路產生高清圖片 　　．ONNX模型全平台部署 　　【適合讀者群】 　　．深度學習相關的科學研究工作者 　　．電腦視覺從業者 　　．想要了解深度學習技

術的程式設計師 　　．對深度學習感興趣的入門讀者  

以圖搜圖進入發燒排行的影片

消費者使用跨境網路代購之意願差異—以台灣及馬來西亞為例

為了解決以圖搜圖的問題，作者黃玲琳 這樣論述：

在這經濟快速發展與科技日益進步的二十一世紀，人們的購物行為已在網路的便利下全面改變。因2019年新冠病毒（COVID-19）爆發，全球人民的日常生活都受到嚴重的影響，多國為防止病毒的傳播，將授課及辦公從實體轉為線上，購物模式也如此。本研究以加入了不同居住地之消費者基本資料、知覺風險性及主觀規範的科技接受模型為研究架構，探討影響台灣及馬來西亞消費者選擇使用跨境網路代購之意願。 實證結果顯示：(一)消費者在性別、個人平均月收入及使用跨境網路代購的頻率對知覺有用性上台灣顯著地都高於馬來西亞。(二)消費者的教育程度對知覺有用性上存在顯著的交互效果，教育程度為大學及學院(含)以下的台灣消費者顯著

地大於馬來西亞。 (三)消費者在性別對使用意願上台灣顯著地高於馬來西亞。(四)消費者會因其知覺使用此購物模式的有用性及易用性而改變其對於跨境代購的態度。(五) 消費者的態度及主觀規範會直接影響其對跨境代購的使用意願。(六) 消費者知覺使用此代購的風險性會負向影響其的使用意願。

深度學習圖像搜索與識別

為了解決以圖搜圖的問題，作者潘攀 這樣論述：

圖像搜索和識別是電腦視覺領域一個非常重要且基礎的題目。本書對構成圖像搜索和識別系統的各個演算法基礎模組一一做了介紹，並在最後一章以拍立淘為例說明了各個模組是怎樣一起工作的。針對每個演算法模組，本書不僅深入淺出地解釋了演算法的工作原理，還對演算法背後的演進機理和不同方法的特點進行了說明，在第2章至第8章最後均提供了經典演算法的PyTorch 代碼和相關參考資料。   本書既適合圖像搜索和識別領域的初學者，也適合在某個單一任務方面有經驗但是想擴充知識面的讀者。 潘攀，花名啟磐。 阿裡巴巴集團資深演算法專家，達摩院視覺理解&互動視覺負責人，負責電商領域的視覺技術研發。   拍立淘

以圖搜圖的負責人和創始人之一，為拍立淘、淘寶直播&短視頻、虛擬主播、閑魚等業務提供核心技術。[   博士畢業于美國伊利諾伊大學芝加哥分校，研究領域包括深度學習和電腦視覺等。   曾先後在美國三菱研究院和北京富士通研發中心從事視覺技術研發工作。 已發表20餘篇論文，擁有10餘授權專利，並獲得Web Vision分類，COCO檢測，DAVIS分割等國際電腦視覺競賽冠軍。 1 概述 1 1．1 圖像搜索與識別概述 1 1．2 圖像搜索與識別技術的發展和應用 3 1．3 深度學習與圖像搜索和識別 4 1．4 本書結構 6 2 深度卷積神經網路 8 2．1 概述 8 2．1．1 深度

學習背景 8 2．1．2 深度卷積神經網路 9 2．2 CNN基礎操作 11 2．2．1 卷積操作 11 2．2．2 池化操作 12 2．2．3 全連接層 13 2．2．4 啟動層 14 2．2．5 批歸一化層 14 2．2．6 小結 16 2．3 常見的CNN模型結構 16 2．3．1 網路結構超參數 17 2．3．2 單分支網路結構 19 2．3．3 多分支網路結構 24 2．3．4 小結 38 2．4 常見目標損失函數 38 2．5 本章總結 40 2．6 參考資料 40 3 圖像分類 43 3．1 概述 43 3．2 單標記分類 44 3．2．1 常用資料集及評價指標 44 3．2．2

損失函數 45 3．2．3 提升分類精度的實用技巧 47 3．2．4 基於搜索的圖像分類 50 3．3 細細微性圖像分類 51 3．3．1 概述 51 3．3．2 基於部件對齊的細細微性分類方法 52 3．3．3 基於高階特徵池化的細細微性分類方法 55 3．3．4 小結 56 3．4 多標記圖像分類 56 3．4．1 概述 56 3．4．2 baseline：一階方法 58 3．4．3 標記關係建模 59 3．4．4 小結 60 3．5 代碼實踐 61 3．6 本章總結 63 3．7 參考資料 63 4 目標檢測 66 4．1 概述 66 4．2 兩階段目標檢測演算法 68 4．2．1 候

選框生成 69 4．2．2 特徵抽取 71 4．2．3 訓練策略 73 4．2．4 小結 76 4．3 單階段目標檢測演算法 76 4．3．1 YOLO演算法 76 4．3．2 SSD演算法 78 4．3．3 RetinaNet演算法 81 4．3．4 無錨點框檢測演算法 83 4．3．5 小結 87 4．4 代碼實踐 88 4．5 本章總結 91 4．6 參考資料 92 5 圖像分割 95 5．1 概述 95 5．2 語義分割 96 5．2．1 概述 96 5．2．2 全卷積神經網路 97 5．2．3 空洞卷積 99 5．2．4 U-Net結構 100 5．2．5 條件隨機場關係建模 101

5．2．6 Look Wider to See Better 103 5．2．7 Atrous Spatial Pyramid Pooling演算法 104 5．2．8 Context Encoding for Semantic Segmentation 104 5．2．9 多卡同步批歸一化 107 5．2．10 小結 107 5．3 實例分割 108 5．3．1 概述 108 5．3．2 FCIS 109 5．3．3 Mask R-CNN 111 5．3．4 Hybrid Task Cascade框架 113 5．3．5 小結 115 5．4 代碼實踐 115 5．5 本章總結 120 5

．6 參考資料 120 6 特徵學習 124 6．1 概述 124 6．2 基於分類識別的特徵訓練 126 6．2．1 Sigmoid函數 127 6．2．2 Softmax函數 128 6．2．3 Weighted Softmax函數 129 6．2．4 Large-Margin Softmax函數 130 6．2．5 ArcFace函數 132 6．2．6 小結 133 6．3 基於度量學習的特徵訓練 134 6．3．1 Contrastive損失函數 135 6．3．2 Triplet損失函數 137 6．3．3 三元組損失函數在行人再識別中的應用 139 6．3．4 Quadruple

t損失函數 140 6．3．5 Listwise Learning 141 6．3．6 組合損失函數 142 6．3．7 小結 142 6．4 代碼實踐 143 6．5 本章總結 143 6．6 參考資料 144 7 向量檢索 147 7．1 概述 147 7．2 局部敏感雜湊演算法 149 7．2．1 預處理 150 7．2．2 搜索 151 7．2．3 小結 152 7．3 乘積量化系列演算法 152 7．3．1 PQ演算法 153 7．3．2 IVFPQ演算法 155 7．3．3 OPQ演算法 156 7．3．4 小結 157 7．4 圖搜索演算法 157 7．4．1 NSW演算法 15

8 7．4．2 Kgraph演算法 161 7．4．3 HNSW演算法 163 7．4．4 圖搜索演算法實驗對比 165 7．4．5 小結 165 7．5 代碼實踐 166 7．6 本章總結 167 7．7 參考資料 168 8 圖文理解 171 8．1 概述 171 8．2 圖文識別 172 8．2．1 概述 172 8．2．2 資料集和評測標準 174 8．2．3 特徵融合方法 176 8．2．4 小結 182 8．3 圖文搜索 182 8．3．1 概述 182 8．3．2 資料集和評測標準 184 8．3．3 Dual Attention Networks 185 8．3．4 Botto

m-Up Attention 187 8．3．5 圖文搜索的損失函數 189 8．3．6 小結 190 8．4 代碼實踐 191 8．5 本章總結 194 8．6 參考資料 194 9 阿里巴巴圖像搜索識別系統 197 9．1 概述 197 9．2 背景介紹 198 9．3 圖像搜索架構 200 9．3．1 類目預測模組 200 9．3．2 目標檢測和特徵聯合學習 201 9．3．3 圖像索引和檢索 205 9．4 實驗和結果分析 207 9．5 本章總結 210 9．6 參考資料 211

珠寶首飾搜圖推薦系統

為了解決以圖搜圖的問題，作者陳泓鈞 這樣論述：

一般大型珠寶公司會提供不同設計樣式的珠寶首飾給顧客購買，由於樣式數量龐大，銷售人員難以記憶，因此無法提供符合客戶需求的珠寶樣式。本研究即透過人工智慧方法，利用珠寶首飾的全圖或所框選出的局部圖片，透過特徵擷取與資料庫圖片進行比對，找出最接近的首飾樣式提供顧客參考。 為提高搜尋效能與精確度，本論文設計智能爬蟲來蒐集大量珠寶首飾的資料，並加以分類，共計3類分別為項鍊，手環及戒指。我們使用Resnet 50特徵提取相似的圖片放入圖片池中做第一階段的分類，再透過微調(fine tune)過後的VGG16模型將池中的圖片使用CROW pooling來提取特徵。最後做加權處理並重新排列得出最終查詢結果。

另外我們也提供客戶框選部分區域(局部特徵)做查詢，去尋找與該區域類似特徵的首飾。為了增加框選區域比對成功的機率，本論文使用九宮格(3 X 3)、二十五宮格(5 X 5)、及隨機方式切割50次得出不同大小的區塊。在實驗結果方面我們的準確度為80%。