哈Ha！ 我向您介绍了Akarsh Zingade撰写的文章
“使用深度排名的图像相似性”的翻译。
深度排名算法
没有介绍“
两个图像的相似性 ”的概念，因此让我们至少在本文的框架内介绍这个概念。
两个图像的相似性是根据某些标准比较两个图像的结果。 它的定量度量确定了两个图像的强度图之间的相似程度。 使用相似性度量，比较描述图像的某些特征。 汉明距离，欧几里得距离，曼哈顿距离等是相似度的度量。
深度排名 -研究细粒度的图像相似度，使用一组三元组表征精细划分的图像相似度比率。
什么是三胞胎？
三元组包含请求图像，正图像和负图像。 正图像比负图像更像是请求图像。
一组三元组的示例：
第一，第二和第三行对应于请求的图像。 第二行（正图像）比第三行（负图像）更像是请求图像。
深度排名网络架构
该网络由3部分组成：三重采样，ConvNet和排名层。
网络接受三张图像作为输入。 一个图像三元组包含一个请求图像
$内联$ p_i $内联$ 正面形象
$内联$ p_i ^ + $内联$ 和负面形象
$ inline $ p_i ^-$ inline $ 它们独立地传输到三个相同的深度神经网络。
最顶层的层-评估三元组损失函数。 为了最小化损失函数，在较低层中纠正了该错误。
现在让我们仔细看一下中间层：
ConvNet可以是任何深度神经网络（本文将讨论卷积神经网络VGG16的实现之一）。 ConvNet包含卷积层，最大池层，本地规范化层和完全连接的层。
其他两个部分以降低的采样率接收图像，并执行卷积阶段和最大池化。 接下来，进行这三个部分的归一化阶段，最后将它们与线性层合并，随后进行归一化。
三重态形成
有多种方法可以创建三元组文件，例如，使用专家评估。 但是本文将使用以下算法：
- 类中的每个图像都构成一个请求图像。
- 除请求图像外，每个图像都将形成正图像。 但是您可以限制每个图像请求的正图像数量
- 从不是请求图像类别的任何类别中随机选择一个负图像
三重损失功能
目标是训练一种功能，该功能为最相似的图像分配一个较小的距离，为不同的图像分配一个较大的距离。 可以表示为：
其中
l是三元组的损耗系数，
g是两对图像之间距离之间的间隙系数：（
$内联$ p_i $内联$ ，
$内联$ p_i ^ + $内联$ ）和（
$内联$ p_i $内联$ ，
$ inline $ p_i ^-$ inline $ ），
f-将图片显示在矢量中的嵌入功能，
$内联$ p_i $内联$ 是请求的图像，
$内联$ p_i ^ + $内联$ 是正面形象，
$ inline $ p_i ^-$ inline $ 是负像，
D是两个欧几里得点之间的欧几里得距离。
深度排名算法实现
与Keras一起实施。
三个并行网络用于查询正图像和负图像。
该实现包括三个主要部分：
- 三种并行多尺度神经网络的实现
- 损失函数的实现
- 三重态产生
学习三个并行的深度网络将消耗大量的内存资源。 代替接收请求图像，正图像和负图像的三个并行深度网络，这些图像将被顺序地馈送到神经网络输入处的一个深度神经网络。 传递到损失层的张量将在每行中包含一个图像附件。 每行对应于分组中的每个输入图像。 由于请求图像，正图像和负图像是顺序发送的，因此第一行将与请求图像相对应，第二行将与正图像相对应，第三行将与负图像相对应，然后重复直到包结束。 因此，排名层接收所有图像的嵌入。 之后，计算损失函数。
要实现排名层，我们需要编写自己的损失函数，该函数将计算请求图像和正图像之间的欧几里得距离，以及请求图像和负图像之间的欧几里得距离。
损失计算功能的实现_EPSILON = K.epsilon() def _loss_tensor(y_true, y_pred): y_pred = K.clip(y_pred, _EPSILON, 1.0-_EPSILON) loss = tf.convert_to_tensor(0,dtype=tf.float32)
数据包大小应始终为3的倍数。由于三元组包含3张图像，并且三元组图像按顺序传输（我们将每个图像按顺序发送到深度神经网络）
其余代码在这里