文件列表:

compute_MAP.m (1982, 2017-10-07)
database (0, 2017-10-07)
database\001_accordion_image_0001.jpg (25120, 2017-10-07)
database\001_accordion_image_0002.jpg (18640, 2017-10-07)
database\001_accordion_image_0003.jpg (25284, 2017-10-07)
database\002_anchor_image_0001.jpg (4945, 2017-10-07)
database\002_anchor_image_0002.jpg (12210, 2017-10-07)
database\002_anchor_image_0003.jpg (23032, 2017-10-07)
database\003_ant_image_0001.jpg (10067, 2017-10-07)
database\003_ant_image_0002.jpg (10756, 2017-10-07)
database\003_ant_image_0003.jpg (22111, 2017-10-07)
database\1982.jpg (8173, 2017-10-07)
databaseClasses.txt (39, 2017-10-07)
databaseClassified (0, 2017-10-07)
databaseClassified\accordion (0, 2017-10-07)
databaseClassified\accordion\image_0001.jpg (25120, 2017-10-07)
databaseClassified\accordion\image_0002.jpg (18640, 2017-10-07)
databaseClassified\accordion\image_0003.jpg (25284, 2017-10-07)
databaseClassified\anchor (0, 2017-10-07)
databaseClassified\anchor\image_0001.jpg (4945, 2017-10-07)
databaseClassified\anchor\image_0002.jpg (12210, 2017-10-07)
databaseClassified\anchor\image_0003.jpg (23032, 2017-10-07)
databaseClassified\ant (0, 2017-10-07)
databaseClassified\ant\image_0001.jpg (10067, 2017-10-07)
databaseClassified\ant\image_0002.jpg (10756, 2017-10-07)
databaseClassified\ant\image_0003.jpg (22111, 2017-10-07)
extractCNN.m (1964, 2017-10-07)
matconvnet-1.0-beta17 (0, 2017-10-07)
matconvnet-1.0-beta17\COPYING (735, 2017-10-07)
matconvnet-1.0-beta17\Makefile (9326, 2017-10-07)
matconvnet-1.0-beta17\Makefile.mex (801, 2017-10-07)
matconvnet-1.0-beta17\Makefile.nvcc (933, 2017-10-07)
matconvnet-1.0-beta17\doc (0, 2017-10-07)
... ...

## CNN for Image Retrieval [](../LICENSE) 博文:[Image retrieval using MatconvNet and pre-trained imageNet](http://yongyuan.name/blog/image-retrieval-using-MatconvNet-and-pre-trained-imageNet.html),对应web演示主页[picSearch](http://yongyuan.name/pic)。 **2017/10/08**: 构建CBIR检索对比框架[cnn-cbir-benchmark](https://github.com/willard-yuan/cnn-cbir-benchmark),包括Fisher Vector, VLAD, FC, RMAC, CROW. **2017/08/15更新**:增加Python版本,[Caffe版本](https://github.com/willard-yuan/cnn-cbir-benchmark/tree/master/fc_retrieval),[Keras版本](https://github.com/willard-yuan/flask-keras-cnn-image-retrieval)。 **2015/12/31更新**:添加对MatConvNet最新版version 1.0-beta17的支持,预训练的模型请到Matconvnet官网下载最新的模型。 **2015/12/31更新**:添加对MatConvNet最新版version 1.0-beta17的支持,预训练的模型请到Matconvnet官网下载最新的模型。 **2015/10/20更新**:Web演示部分代码公开[CNN-Web-Demo-for-Image-Retrieval](https://github.com/willard-yuan/CNN-Web-Demo-for-Image-Retrieval)。 **2015/09/24更新**:添加对MatConvNet最新版version 1.0-beta14的支持。 **2015/12/31更新**:添加对[MatConvNet](http://www.vlfeat.org/matconvnet/)最新版version 1.0-beta17的支持,删掉原来的版本(预训练的模型请到matconvnet官网下载最新的模型)。 **2015/06/29更新**:添加对[MatConvNet](http://www.vlfeat.org/matconvnet/)最新版version 1.0-beta12的支持。 **注意**:其中文件夹matconvnet-1.0-beta17是已经编译好了的,鉴于MatConvNet只能在**Matlab 2014**及其以上以及系统必须是*****位**,所以在使用此工具箱之前得满足这两个条件。如果是Pythoner,推荐使用[flask-keras-cnn-image-retrieval](https://github.com/willard-yuan/flask-keras-cnn-image-retrieval),纯Python,非常易于写成在线图像搜索应用。

Caltech-256图像数据库上搜索结果

### 运行步骤 1). 如果不需要计算mAP的话,那就直接把你的图像库文件夹名字命名为`database`,并将图片全部放在放在`database`文件夹下即可。如果你要在后面计算MAP(平均检索精度)的话,要确保图像数据库做成文件夹`databaseClassified`中的形式,然后执行下面命令: ```sh python movefiles.py ``` 2). 接着便可以抽取特征。运行`extractCNN.m`,要用parfor并行的话,直接修改注释部分即可。 3). 检索可视化。这一步运行`queryInDatabaseDemo.m`即可。 4). 计算mAP。不需要计算MAP的这步略过。运行`compute_MAP.m`,关于mAP的计算,请参阅我画的mAP计算过程示意图:[信息检索评价指标](http://yongyuan.name/blog/evaluation-of-information-retrieval.html),这个计算mAP的脚本是按照那个流程中定义的mAP计算方式来写的。 ### 降维 > 非常的amazing, 除了验证降维到128D后损失不减外,惊奇地发现4096D的CNN降维到128D后精度还有提高,一种可能的解释:CNN特征也有一定的信息冗余,信息冗余所带来的影响比降维所带来的损失的影响要更大。结论:You should reduce the dimension of CNN when you use if.

PCA降维对CNN特征的影响

上面实验使用的是本项目代码,图像数据集使用的是Caltech101。 关于PCA对PCA降维的影响,[Neural Codes for Image Retrieval](http://arxiv.org/pdf/1404.1777v2.pdf)中也有探讨,以及曾跟Adrian Rosebrock也有过这方面的交流: >ANN is really fantastic, it makes such much easier. You could also try something like PCA on your 4096-d vector and try to get it down to 128-d. It would save some space and (ideally) not hurt accuracy. 所以,如果采用了CNN特征的话,推荐将其降维到128D。 ## CNN资源列表 ### C++ [conv-net-version-3](https://github.com/xingdi-eric-yuan/conv-net-version-3),对应博客[Convolutional Neural Networks III](http://eric-yuan.me/cnn3/) ### Python [Keras](https://github.com/fchollet/keras),强力推荐 Keras资源列表: [DeepLearning tutorial(6)易用的深度学习框架Keras简介](http://blog.csdn.net/u012162613/article/details/45397033) [DeepLearning tutorial(7)深度学习框架Keras的使用-进阶](http://blog.csdn.net/u012162613/article/details/45581421) [Keras VGG-16模型 VGG16 model for Keras](https://gist.github.com/baraldilorenzo/07d7802847***d0a35d3) [PDNN](https://github.com/yajiemiao/pdnn),对应主页[PDNN: A Python Toolkit for Deep Learning](http://www.cs.cmu.edu/~ymiao/pdnntk.html) ### Matlab [GoogLeNet](http://vision.princeton.edu/pvt/GoogLeNet/), A GPU Implementation of GoogLeNet.

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：