В Convert Group Data Science мы стремимся преобразовать потребности клиентов в сложные решения, ориентированные на данные, которые могут сделать наши продукты более интеллектуальными и ускорить рабочие процессы обеспечения качества. Этот пост посвящен тому, как мы разработали Imagine API , микрослужбу сходства изображений на основе машинного обучения, которая используется для предоставления eRetail Content (eRC), одного из наших ключевых продуктов, с семантические знания, позволяющие,..

В этой статье я описываю свой путь к созданию системы цветного поиска. Я начинаю с формализации проблемы и перехожу к объяснению двух подходов к ее решению. Подход на основе цветового расстояния и подход, основанный на глубоком обучении. Оба этих подхода основаны на поиске K-ближайших соседей для выполнения запросов и различаются стратегиями представления изображений и запросов. Спойлер: подход, основанный на глубоком обучении, работает лучше. Что такое система цветного поиска?..

В этой статье автоэнкодеры можно использовать для поиска похожих изображений в немаркированном наборе данных изображений. Автоэнкодеры - это нейронные сети, состоящие как из кодировщика, так и из декодера. Цель состоит в том, чтобы сжать ваши входные данные с помощью кодировщика, а затем распаковать закодированные данные с помощью декодера, чтобы выходные данные были хорошей реконструкцией ваших исходных входных данных. Этот метод работает с небольшой обучающей базой данных из 5 общих..

Эта статья была изначально написана Раулем Гомесом Брубаллой и размещена в блоге Neptune . Поиск изображений - это задача поиска изображений, связанных с заданным запросом. Под поиском изображений на основе содержимого мы обращаемся к задаче поиска изображений, содержащих некоторые атрибуты, которых нет в метаданных изображения, но присутствуют в его визуальном содержании. В этом посте мы: объясните теоретические концепции , лежащие в основе поиска изображений на основе..