2024圖片主題模型在系統(tǒng)的應(yīng)用實(shí)踐

圖片主題模型在推薦系統(tǒng)的應(yīng)用實(shí)踐ACAAC，CA、C、D，A物品D。這是一個(gè)基于行為日志的基于用戶的協(xié)同過濾。根據(jù)目標(biāo)用戶的歷史偏好信息將這些類似的物品推薦給用戶。比如我們認(rèn)為物品A被用戶ABCCA、BAC就把物品C推薦給了用戶C，這是基于物品的協(xié)同過濾。CAC歡電影A，那么我們也會(huì)認(rèn)為他會(huì)喜歡電影C，因?yàn)锳和C是同一類別的。NLP（自然語(yǔ)言處理問題），視頻也能拆成理解主要能歸納為NLP問題和圖像處理問題，我本次分享主要是分享圖像處理問題。featuremapfeaturemapbox用來(lái)擬合矩形位置的，用的是一個(gè)L1Smooth函數(shù)；第二Softmax到了SSD的總損失?，F(xiàn)在講一下這個(gè)框是怎么框出來(lái)的。舉一個(gè)例子，SSD是一個(gè)多層的，它要在不同的粒度每個(gè)格子都有一個(gè)候選的樣子，比如說(shuō)我們能看出來(lái)它一共有4個(gè)格，然后我們就能看出來(lái)現(xiàn)在就有8×8×4個(gè)格子，然后計(jì)算每個(gè)格子和這個(gè)GT的損失，找到與它最相似的，我featuremap4×4用相同的方法也能算出哪個(gè)格子和GT格子最接近。也就是說(shuō)在featuremap上，對(duì)于每然后這個(gè)就是SSD的一個(gè)實(shí)例，它前面是VGG16，然后在后面加上一些多層的feature對(duì)這張圖我們找到它的位置，用分類器找它屬于哪個(gè)類，得到一個(gè)結(jié)果。再走一層VGG，拿到一個(gè)19×19的圖，也是一個(gè)位置和分類的結(jié)果，一直到最后也是一個(gè)位置和分類的結(jié)果。這時(shí)我們就有了6個(gè)位置和分類的結(jié)果，然后對(duì)這6個(gè)結(jié)果進(jìn)行非最大抑制，就能找這是我們一個(gè)目標(biāo)檢測(cè)實(shí)例。我們可以看到圖中用框把狗框出來(lái)了，我們要理解一下SSD17|0.917170.917抖動(dòng)時(shí)等都是可以的，然后將每個(gè)關(guān)鍵幀提取它的SSD特征。比如說(shuō)有9000個(gè)類，這就9000900090009000如訓(xùn)練集有9000個(gè)類，那么它只能從這9000個(gè)里尋找。SIFTSIFTSIFT實(shí)質(zhì)是在不同尺度空間查找特征點(diǎn)，然后計(jì)算出方向，尺度空間是通過高斯模糊來(lái)獲們?cè)谶@個(gè)例子中是有五組，每組內(nèi)部在做高斯差分，SIFT認(rèn)為重要的點(diǎn)都是在模糊的差別那部分。比如說(shuō)每個(gè)金字塔內(nèi)有S個(gè)尺度，做完差分后就變成S-1了，對(duì)于差分中的每一八維的實(shí)數(shù)向量。此時(shí)我們對(duì)特征點(diǎn)得到一個(gè)4×4×8，也就是128維向量。128128FAISSFacebook包括無(wú)法被完全讀入內(nèi)容空間的向量集合；它使用C++編寫，而且可以被Python調(diào)用。這是主題聚類的一個(gè)示例。最后一張圖是查詢圖，前面5