资源包含实现的Python源码和六页的详细英文实验报告。 实验内容：给定不少于100幅合适的图像集合，尺寸可不一，任意选一张图像，并人工给定图像中的一个目标区域，如人脸、楼房、狗等，要求设计一个基于内容的图像检索方法，它能在剩余的图像中找出5张包含最类似框出目标的图像。

深度局部特征（DeLF）的Pytorch实现 PyTorch实现的“具有深深的局部特征的大规模图像检索” 参考： : 先决条件 火炬 python3 CUDA 训练DeLF DeLF训练有两个步骤：（1）调整阶段，和（2）关键点阶段。 Finetune阶段加载ImageNet上预训练的resnet50模型，并进行优化。 关键点阶段将冻结“基本”网络，并且仅更新“注意”网络以进行关键点选择。 训练过程完成后，模型将保存在repo//keypoint/ckpt （1）培训微调阶段： $ cd train/ $ python main.py \ --stage ' finetune ' \ --optim ' sgd ' \ --gpu_id 6 \ --expr ' landmark ' \ --ncls 586 \ --f

bag-of-words- 基于opencv-python的sift、kmeans、bow图像检索 需要配置opencv、sklearn、scipy、numpy 创建两个文件夹就行 默认图像训练文件名为dataset 我用的是101_ObjectCategories图片集 所以在读入图片时做了更改 默认查找图像文件名为query 用命令行执行python findFeatures.py -t dataset/ 开始生成模型 用命令行执行python search.py -i query/target.jpg 查找目标图片

在PyTorch中检索CNN图像：在PyTorch中训练和评估CNN以进行图像检索 这是一个Python工具箱，用于实现对本文所述方法的培训和测试： 无需人工注释即可对CNN图像进行微调， RadenovićF.，Tolias G.，Chum O.，TPAMI 2018 [ ] CNN图像检索从BoW获悉：无监督的微调，并附有困难的示例， RadenovićF.，Tolias G.，Chum O.，ECCV 2016 [ ] 它是什么？ 该代码实现： 训练（微调）CNN进行图像检索 学习CNN图像表示的监督美白 在牛津和巴黎数据集上测试CNN图像检索 先决条件 为了运行此工具箱，您将需要： Python3（在Debian 8.1上使用Python 3.7.0进行了测试） PyTorch深度学习框架（已通过1.0.0版测试） 其余所有（数据+网络）将通过我们的脚本自动下载

基于纹理的图像检索源码，matlab编写，包含测试图像

matlab做的图像检索源码，算法实现不错，很有借鉴作用，对初学者更是适用