智能检索实战/王家宝

1星价 ¥28.1 (7.2折)

2星价￥28.1 定价￥39.0

作者：王家宝、李阳、苗壮

出版社：清华大学出版社

本类榜单：社会科学

分类：社会科学 > 社会科学类教材 > 信息学

暂无评论

图文详情

ISBN：9787302505181
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：216
出版时间：2017-02-01
条形码：9787302505181 ; 978-7-302-50518-1

本书特色

内容实用《智能检索实战》提供了如何利用检索工具搭建自己的检索系统，选择了文本和图像*为常用的数据，实践对数据的检索。技术新颖《智能检索实战》涵盖了人工智能领域*新的深度学习技术，介绍了如何利用深度学习提高检索精度和速度，并探索了基于深度学习的跨模态图文检索。案例详细本书提供了基于文本和图像的实战案例，描述详细、分析深入，提供了完整的案例源码，方便学习和使用。帮助读者实现利用深度学习技术对文本和图像等大数据进行智能检索；案例翔实，描述详细，分析深入，提供完整的案例源码。

内容简介

智能检索是适应大数据和人工智能迅速发展的信息检索新方式。本书分为两个部分。靠前部分以工程应用为目标，介绍了文本的本地检索和网络检索，基于全局特征、局部特征的图像检索，以及定制图像检索新特征和图像检索相关反馈;第二部分以技术研究为目标，介绍了利用深度学习特征提高检索精度，利用哈希特征提高检索速度，以及跨模态的深度哈希图文检索技术。全书从指导实践出发，附有所有实战源代码，为读者提供了联系实际、直接可用的检索系统和检索技术。本书是信息检索及相关课程的教学参考书，适用于高等院校信息检索专业的大学生和研究生，也可供从事信息检索相关专业的研发人员参考。

目录
第1章搜索引擎初探1
1.1Eclipse开发环境1
1.1.1Eclipse简介1
1.1.2JDK与JRE1
1.1.3JDK和Eclipse的安装2
1.1.4用Eclipse开发HelloWorld项目7
1.2Lucene环境配置11
1.2.1Lucene简介11
1.2.2Lucene的安装13
1.3Lucene索引与检索示例14
1.3.1索引和检索的概念14
1.3.2一个简单的搜索应用程序14
1.4小结17
参考文献17
第2章基于Lucene的本地检索18
2.1Lucene索引简介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类21
2.2.2Analyzer类21
2.2.3Document类与Field类21
2.2.4IndexWriter类22
2.3Lucene的检索接口23
2.3.1IndexSearcher类23
2.3.2Term类23
2.3.3Query类24
2.3.4QueryParser类24
2.3.5Sort类和Hits类24
2.4中文分词24
2.5基于Lucene的本地检索实战27
2.5.1文本数据准备27
2.5.2Lucene本地索引27
2.5.3Lucene本地检索31
2.6索引可视化工具Luke32
2.7小结35
参考文献35
目录智能检索实战第3章基于Solr的网络检索36
3.1Solr简介36
3.2Solr配置和使用37
3.2.1Tomcat安装37
3.2.2安装并配置Solr至Tomcat38
3.2.3新建并配置core42
3.2.4配置和使用中文分词43
3.3基于Solr的网络检索实战47
3.3.1数据准备47
3.3.2Solr网络索引48
3.3.3Solr网络检索51
3.4小结52
参考文献53
第4章基于Lire全局特征的图像检索54
4.1Lire简介54
4.1.1Lire库导入54
4.1.2Lire库分析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全局特征索引实现57
4.3Lire全局特征检索60
4.3.1Lire全局特征检索方法60
4.3.2Lire全局特征检索实现61
4.4Caltech256数据测试63
4.4.1测试数据和基本思路63
4.4.2测试实现63
4.5基于Lire全局特征的图像检索实战66
4.5.1主体框架构建66
4.5.2外部依赖包导入67
4.5.3搜索引擎界面实现69
4.5.4搜索引擎后台实现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小结79
参考文献80
第5章基于Lire局部特征的图像检索81
5.1词袋模型简介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局部特征索引实现84
5.3Lire局部特征检索85
5.3.1Lire局部特征检索方法85
5.3.2Lire局部特征检索实现86
5.4Lire中SIFT特征的改进87
5.5Caltech256数据测试92
5.6基于Lire局部特征的图像检索实战93
5.6.1主体框架构建93
5.6.2搜索引擎界面实现94
5.6.3搜索引擎后台实现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小结99
参考文献99
第6章面向Lire定制图像检索新特征101
6.1Lire特征类的结构101
6.2Lire颜色布局特征102
6.3添加新的图像特征105
6.4矩特征的索引和检索110
6.5小结112
参考文献112
第7章面向Lire定制图像检索的相关反馈114
7.1基于SVM的相关反馈原理114
7.2相关反馈实战115
7.2.1主体框架构建115
7.2.2外部依赖包导入115
7.2.3搜索引擎界面实现116
7.2.4搜索引擎后台实现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关键代码解析120
7.3.1生成索引阶段120
7.3.2查找检索阶段121
7.3.3反馈检索阶段123
7.4小结127
参考文献127
第8章基于预训练卷积特征的图像检索128
8.1卷积神经网络技术128
8.1.1卷积129
8.1.2池化130
8.1.3ReLU130
8.1.4全连接130
8.2卷积神经网络模型简介131
8.2.1AlexNet网络模型131
8.2.2VGGNet网络模型132
8.2.3ResNet网络模型133
8.3基于预训练卷积特征的图像检索实战135
8.3.1环境配置135
8.3.2数据准备137
8.3.3预训练网络特征提取137
8.3.4预训练网络检索评测140
8.3.5预训练网络检索效果144
8.4小结146
参考文献146
第9章基于迁移学习卷积特征的图像检索147
9.1迁移学习技术147
9.2迁移学习方法简介148
9.2.1迁移学习的定义与分类148
9.2.2深度迁移学习148
9.2.3卷积神经网络的迁移149
9.2.4迁移学习抑制过拟合150
9.3基于迁移学习卷积特征的图像检索实战151
9.3.1迁移学习网络设计152
9.3.2数据准备152
9.3.3迁移学习网络构建155
9.3.4迁移学习网络训练157
9.3.5迁移学习网络检索评测159
9.3.6迁移学习网络检索效果159
9.4小结162
参考文献162
第10章基于局部敏感哈希的图像检索163
10.1局部敏感哈希技术163
10.1.1哈希简介163
10.1.2近似*近邻搜索问题164
10.2局部敏感哈希方法简介165
10.2.1LSH算法166
10.2.2E2LSH算法167
10.3基于局部敏感哈希的图像检索实战168
10.3.1局部敏感哈希软件包168
10.3.2局部敏感哈希函数功能介绍168
10.3.3局部敏感哈希测试数据集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局部敏感哈希检索效果178
10.4小结181
参考文献181
第11章基于深度哈希的图像检索182
11.1深度哈希技术182
11.2深度哈希方法简介183
11.3基于深度哈希的图像检索实战185
11.3.1深度哈希网络设计185
11.3.2深度哈希网络构建187
11.3.3深度哈希网络训练189
11.3.4深度哈希网络检索评测190
11.3.5深度哈希网络检索效果192
11.4小结193
参考文献193
第12章跨模态的深度哈希图文检索195
12.1跨模态检索技术195
12.2跨模态检索方法简介196
12.2.1基于典型相关性分析的跨模态检索196
12.2.2基于深度学习的跨模态检索197
12.3跨模态的深度哈希图文检索实战199
12.3.1跨模态哈希网络设计199
12.3.2数据准备200
12.3.3跨模态哈希网络构建201
12.3.4跨模态哈希网络训练205
12.3.5跨模态哈希网络特征提取207
12.3.6跨模态哈希网络检索评测209
12.4小结211
参考文献212
附录A信息检索评价指标213
A.1召回率与准确率213
A.2F1分数指标213
A.3mAP指标214
A.4CMC曲线215

展开全部

节选

第5章基于Lire局部特征的图像检索本章以词袋(Bag of Words, BoW)模型为牵引阐述基于局部特征的图像检索。首先简述词袋模型的基本原理,然后详述使用Eclipse开发环境和Lire开发包完成基于词袋模型的特征索引和检索,接着介绍将SIFT特征改进为RootSIFT特征的方法,*后基于Lire开发包实现基于局部特征的图像检索系统。本章的重点是理解并运用Lire中局部特征的索引与搜索,难点是改写Lire中有关SIFT特征的源码并实现实用系统。开发环境: Windows 7操作系统软件及开发包:  jdk8u131windowsx64.exe eclipsejeemars1win32x86_64.zip apachetomcat8.0.43.exe lire0.95开发包5.1词袋模型简介词袋模型*早应用于文本领域［1］,［2］,是自然语言处理和信息检索中的一种假设;即在该模型中,文本被视为无序的词汇集合,模型仅通过文本中各词汇的频率来反映文本的内容,而忽略单词的顺序、搭配和语法结构等。由于视觉局部特征与自然语言的词汇具有一定的相似性,因此在2005年词袋模型被研究者迁移使用到视觉领域［3］,［4］,并开始越来越多地应用于图像识别和检索等应用中。如果把图像的局部特征归类为一个类似自然语言词典的集合,那么每一个图像局部特征就可以视为一个视觉词汇,其完整集合就是一部视觉词典,视觉词汇及其频率可以描述图像的特征。以下简述词袋模型在图像领域的应用步骤,假设提取的特征为SIFT特征［5］。图51三类目标图像步骤1: 提取训练图像的局部特征。如图51所示,有人脸、自行车、小提琴三类目标图像,则提取出眼睛、车轮、鼻子等一系列局部区域,如图52所示。图52三类目标的局部特征块步骤2: 对提取出来的局部区域进行特征描述,再对特征进行KMeans聚类。如图53所示,假设K=4,则得到4个聚类中心。这4个聚类中心构建成一个词典,每个聚类中心可视为一个视觉单词。图53对局部区域特征进行聚类并构建词典智能检索实战第5章基于Lire局部特征的图像检索步骤3: 对每一幅图像提取局部区域,提取特征后归类并统计各类拥有单词的频率,则每类目标图像的所有局部特征在词典上的分布可以以直方图的形式表示出来,如图54所示。其中,左侧为人脸目标,在皮肤和人眼上的概率大;中间为自行车目标,在车座上的概率大;右侧为小提琴,在小提琴底座上的概率大。图54基于分布的目标表示综上所述,词袋模型认为不同的目标既具有共有的局部特征,也具有不同于其他目标的特有局部特征。如果将每幅目标图像转化为一个在所有局部特征(词典)上的概率分布,那么就可以用该分布(向量)描述目标,进而用于分类、检索等任务。5.2Lire局部特征索引本节主要介绍Lire局部特征的索引方法及其实现过程

本类五星书