机器学习 ｜ 图像检索开源项目合集
点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
1、Trace.moe
图像反向搜索动漫场景，使用动漫截图搜索该场景的拍摄地。它告诉你该动画在日本动漫中出现的是哪个动画，哪个情节以及确切的时间。
https://github.com/soruly/trace.moe
2、Awesome Cbir Papers
经典图像检索的论文
https://github.com/willard-yuan/awesome-cbir-papers
3、Cnnimageretrieval Pytorch
在PyTorch中检索CNN图像：在PyTorch中训练和评估CNN以进行图像检索
https://github.com/filipradenovic/cnnimageretrieval-pytorch
4、Lire
基于内容的图像检索/视觉信息检索库。LIRE (Lucene Image Retrieval)是一个基于内容的图像检索的开源库，这意味着你可以使用LIRE来实现搜索相似图像。除了提供多种通用和先进的检索机制外，LIRE还允许在多个平台上轻松使用。LIRE被积极地用于研究、教学和商业应用。由于其模块化的特性，它可以用于处理级别(如索引图像和搜索)以及图像特征级别。开发人员和研究人员可以很容易地扩展和修改LIRE以使其适应他们的需要。
https://github.com/dermotte/LIRE
5、Cnn For Image Retrieval
"Image retrieval using MatconvNet and pre-trained imageNet"的代码
https://github.com/willard-yuan/CNN-for-Image-Retrieval
6、Hashing Baseline For Image Retrieval
HABIR哈希图像检索工具箱是一个用Matlab语言写的集成了经典哈希方法以及最近几年无监督哈希方法的基准框架，里面包含了针对图像检索的主流评价指标，使用该工具箱使得你可以专注于哈希方法的设计，其他性能评价这些方面的东西可以由它来帮你完成。目前我主要致力于大规模图像检索研究，在图像检索中除了专注与duplicate search外我也花很大力气在哈希大规模图像检索上。在研究的过程中，我发觉几乎很少有研究者提供不同对比方法的代码。这为研究带来了很大不便，而且我坚信在研究的过程中，我们应专注于新算法的设计，而不是新人进来时都得重新造轮子，我们可以在现有代码的基础上学习它，并将它进行拓展，为自己使用。于是，就有了你现在看到的这个hashing-baseline-for-image-retrieval，希望它能够为关注基于哈希方法进行图像检索的小伙伴们带去些许帮助。
https://github.com/willard-yuan/hashing-baseline-for-image-retrieval
7、Flask Keras Cnn Image Retrieval
CNN-based基于Keras的图像检索
https://github.com/willard-yuan/flask-keras-cnn-image-retrieval
8、Sis
一个简单图像搜索引擎：http://www.simple-image-search.xyz/
https://github.com/matsui528/sis
9、Cbir
????一个基于内容的图像检索(CBIR)系统
https://github.com/pochih/CBIR
10、Artificio
https://github.com/ankonzoid/artificio
11、Siamesenetwork Tensorflow
利用siamese网络进行降维和相似图像检索
https://github.com/ardiya/siamesenetwork-tensorflow
12、Retrieval 2017 Cam
真实场景中的图像检索以未标记图像的大型动态数据集为目标。在这些情况下，每次向数据库中添加新映像时，对模型进行培训或微调既不高效，也不可伸缩。在大数据集上训练用于图像分类的卷积神经网络已被证明是用于图像检索的有效特征提取器。最成功的方法是基于对卷积层的**进行编码，因为它们传递图像空间信息。在本文中，我们超越了这种空间信息，提出了一种基于目标图像中预测的语义信息的局部感知卷积特征编码方法。为此，我们使用类**映射(CAMs)获得图像中最具鉴别能力的区域。CAMs基于网络中包含的知识，因此，我们的方法具有不需要外部信息的额外优势。此外，在第一次快速搜索后的无监督重新排序阶段，我们使用CAMs生成目标建议。我们在两个公共可用数据集(例如检索)上进行的实验，Oxford5k和Paris6k，证明了我们的方法在使用ImageNet上训练的现成模型时优于当前最先进的技术。
https://github.com/imatge-upc/retrieval-2017-cam
13、Mmt
[ICLR-2020] Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification.
https://github.com/yxgeee/MMT
14、Caffe Deepbinarycode
本文提出了一种简单而有效的监督深度哈希方法，该方法从标记数据中构造二值哈希码用于大规模图像搜索。我们假设语义标签由几个潜在属性控制，每个属性是开或关的，分类依赖于这些属性。基于这个假设，我们的方法称为监督保留语义的深度哈希(SSDH)，它将哈希函数构造为深度网络中的一个潜在层，通过最小化一个目标函数来学习二进制码，该目标函数定义在分类错误和其他理想的哈希码属性上。通过这种设计，SSDH具有分类和检索统一于单一学习模型的良好特点。此外，SSDH以点智慧的方式执行图像表示、哈希码和分类的联合学习，因此可扩展到大规模数据集。SSDH很简单，可以通过对现有的深度分类体系结构稍加增强来实现;然而，它是有效的，并优于其他散列方法在几个基准和大数据集。与现有的方法相比，SSDH在不牺牲分类性能的前提下，获得了更高的检索精度。
https://github.com/kevinlin311tw/Caffe-DeepBinaryCode
15、Trace.moe ******** Bot
开始与机器人聊天https://********.me/WhatAnimeBot
直接向机器人发送动画截图(图片、gif或视频)
还可以将其他聊天中的图像转发给机器人
机器人会告诉你动画、情节和时间代码
它还会将该场景的视频预览发送给你
https://github.com/soruly/trace.moe-********-bot
16、Delf Pytorch
“关注深度局部特征的大规模图像检索”的PyTorch实现
https://github.com/nashory/DeLF-pytorch
17、Deep Fashion Retrieval
使用pytorch在深层数据集上进行简单图像检索
https://github.com/ihciah/deep-fashion-retrieval
18、Semantic Embeddings
基于层次结构的图像嵌入用于语义图像检索。从用于分类的深度神经网络的最后一个卷积层提取和聚合的特征已被证明是用于各种任务的有用的图像描述符，如迁移学习和图像检索。在基于内容的图像检索中，通常会将视觉上相似的图像聚类在该特征空间中。然而，这种方法有两个主要问题:视觉相似性并不总是对应于语义相似性。例如，一个橙子可能在视觉上与一个橙色碗相似，但是从语义的角度来看，它们根本没有关系。类似地，如果用户提供棕榈树的查询图像，他们可能对橡树和枫树等其他树语义上相似的图像比蜘蛛的图像更感兴趣。分类目标不强制不同的类之间有很高的距离，因此一些图像的最近邻居可能属于完全不同的类。基于层次结构的语义嵌入通过将图像嵌入到点积与语义相似度直接对应的特征空间中来克服这些问题。
https://github.com/cvjena/semantic-embeddings
19、Pytorch Image Retrieval
一个用于图像检索任务的PyTorch框架
https://github.com/leeesangwon/PyTorch-Image-Retrieval
20、Imageretrieval Tf
基于tensorflow & tf-servering & flask 的图像检索
https://github.com/icodingc/ImageRetrieval-tf
21、Deepembeding
DeepEmbedding 是使用深度学习的方法把多种媒体映射嵌入到相同向量空间，在统一空间中进行搜索的技术。本项目通过视觉级别搜索，细粒度类别（实例检索）和图像-文本互搜的方式来测试通用多媒体检索。
https://github.com/hudengjunai/DeepEmbeding
22、Deep Fashion
提出了一种新的服装图像检索方法
https://github.com/zuowang/deep-fashion
23、Massimageretrieval
解决海量图像检索的问题
https://github.com/liuguiyangnwpu/MassImageRetrieval
24、Mirror
从表面重建中学习匹配图像检索。Mirror是用于3D重建和相关应用程序的可匹配图像检索管道。与典型的对象检索不同，可匹配的图像检索旨在查找重叠度大的相似图像。典型的基于CNN的方法不能很好地解决此问题，因为训练了模型以查找相同类别的对象。该项目提出了一种通过利用区域特征聚合和准确的自动标注3D几何数据来解决此问题的新方法。
https://github.com/hlzz/mirror
25、Revisitop
大规模图像检索基准测试
https://github.com/filipradenovic/revisitop
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉优质源码，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。