图象反向搜刮动漫场景，应用动漫截图搜刮该场景的拍摄地。它奉告你该动画在日本动漫中涌现的是哪一个动画，哪一个情节以及切实的时候。
https://github.com/soruly/trace.moe
经典图象检索的论文
https://github.com/willard-yuan/awesome-cbir-papers
在PyTorch中检索CNN图象：在PyTorch中锻炼和评价CNN以举行图象检索
https://github.com/filipradenovic/cnnimageretrieval-pytorch
基于内容的图象检索/视觉信息检索库。LIRE (Lucene Image Retrieval)是一个基于内容的图象检索的开源库，这意味着你能够应用LIRE来完成搜刮类似图象。除了供应多种通用和进步前辈的检索机制外，LIRE还同意在多个平台上轻松应用。LIRE被积极地用于研讨、教授教养和贸易使用。因为其模块化的特点，它可以用于处置级别(如索引图象和搜刮)以及图象特性级别。开辟职员和研讨职员能够很容易地扩大和修正LIRE以使其顺应他们的需求。
https://github.com/dermotte/LIRE
"Image retrieval using MatconvNet and pre-trained imageNet"的代码
https://github.com/willard-yuan/CNN-for-Image-Retrieval
HABIR哈希图象检索工具箱是一个用Matlab言语成为了经典哈希要领以及比来几年监视哈希要领的基准框架内里包含了针对图象检索支流评估目标应用该工具箱使得能够专一于哈希要领设想其余功能评估这些方面货色能够由它来帮你实现今朝首要致力于大规模图象检索研讨图象检索中除了专一与duplicate search外我也花很大力气在哈希大规模图象检索研讨过程当中察觉简直很少有研究者供应分歧比照要领的代码研讨带来了很大方便并且深信研讨过程当中咱们专一于新算法设想，而不是新人进来时都得重新造轮子咱们能够在现有代码的基础上进修它，并将它举行拓展本人应用因而，就有当初看到的这个hashing-baseline-for-image-retrieval但愿它能够为存眷基于哈希要领举行图象检索的小伙伴们带去些许赞助。
https://github.com/willard-yuan/hashing-baseline-for-image-retrieval
CNN-based基于Keras图象检索
https://github.com/willard-yuan/flask-keras-cnn-image-retrieval
一个简略图象搜刮引擎：http://www.simple-image-search.xyz/
https://github.com/matsui528/sis
一个基于内容图象检索(CBIR体系
https://github.com/pochih/CBIR
https://github.com/ankonzoid/artificio
https://github.com/ardiya/siamesenetwork-tensorflow
胜利要领是基于对卷积层的激活举行编码由于它们通报图象空间信息。在本文中咱们逾越这类空间信息，提出了一种基于目的图象展望的语义信息部分感知卷积特性编码要领。为此咱们应用类激活映照(CAMs取得图象中最具甄别才能地区。CAMs基于网络包括常识是以咱们要领拥有不需要内部信息额定上风另外，在第一次倏地搜刮监视从新排序阶段咱们应用CAMs天生目的倡议咱们在两个大众可用数据比方检索举行试验，Oxford5k和Paris6k，证明了咱们要领应用ImageNet锻炼的现成模子时优于以后进步前辈手艺。
https://github.com/imatge-upc/retrieval-2017-cam
[ICLR-2020] Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification.
https://github.com/yxgeee/MMT
本文提出了一种简略无效监视深度哈希要领要领标志数据组织二值哈希码用于大规模图象搜刮咱们假定语义标签由几个潜伏属性操纵每一个属性是开或关的，分类依赖于这些属性。基于这个假定咱们要领称为监视保留语义的深度哈希(SSDH)，它将哈希函数组织为深度网络中的一个潜伏经由过程最小化一个目的函数来进修二进制目的函数界说在分类谬误其余现实的哈希码属性经由过程这类设想，SSDH拥有分类和检索对立繁多进修模子精良特色另外，SSDH聪明体式格局施行图象暗示、哈希码和分类联结进修是以可扩展到大规模数据集。SSDH很简单能够经由过程对现有的深度分类系统布局略加加强完成;然而，它是无效的，并优于其余要领在几个基准和大数据集。与现有要领相比，SSDH就义分类功能的前提下，获得了更高的检索精度。
https://github.com/kevinlin311tw/Caffe-DeepBinaryCode
-
-
-
-
机器人奉告你动画、情节时候代码
-
它还会将该场景的视频预览发送给你
https://github.com/soruly/trace.moe-telegram-bot
https://github.com/nashory/DeLF-pytorch
https://github.com/ihciah/deep-fashion-retrieval
基于条理布局图象嵌入用于语义图象检索。从用于分类的深度神经网络最初一个卷积层提取和聚合特性已被证实是用于种种使命实用图象描述符迁徙进修图象检索。在基于内容图象检索平日会将视觉上相似的图象特性空间中。然而这类要领有两个首要题目:视觉相似性其实不老是对应于语义相似性比方，一个橙子可能在视觉上与一个橙色类似然则从语义的角度来看，它们底子没有瓜葛。类似地假如用户供应棕榈树查问图象，他们可能对橡树和枫树其余树语义上相似的图象比蜘蛛图象更感兴趣。分类目的逼迫分歧的类之间有很高间隔是以一些图象比来街坊大概属于完整分歧的类。基于条理布局的语义嵌入经由过程图象嵌入到点积与语义类似间接对应特性空间中降服这些题目。
https://github.com/cvjena/semantic-embeddings
一个用于图象检索使命的PyTorch框架
https://github.com/leeesangwon/PyTorch-Image-Retrieval
基于tensorflow & tf-servering & flask图象检索
https://github.com/icodingc/ImageRetrieval-tf
DeepEmbedding应用深度进修要领把多种媒体映照嵌入沟通向量空间对立空间举行搜刮手艺。本项目经由过程视觉级别搜刮，细粒度种别（实例检索图象-文本体式格局来测试通用多媒体检索。
https://github.com/hudengjunai/DeepEmbeding
提出了一种时装图象检索要领
https://github.com/zuowang/deep-fashion
解决海量图象检索题目
https://github.com/liuguiyangnwpu/MassImageRetrieval
https://github.com/hlzz/mirror
大规模图象检索基准测试
https://github.com/filipradenovic/revisitop