Есть ли отработаенные библиотеки или описания нечткого поиска по дистации?

Я у мамы инженер: неуросеточки и корреляция.

Я у мамы инженер: неуросеточки и корреляция.

Плохо тебя мама учила.

Я у мамы инженер: неуросеточки и корреляция.

проблема не в сравнении двух картинок и вычисления дистации их различия, а в том что бы найти наиболее подобные среди миллионов картинок из базы. Вероятно какое-нибудь дерево на основе k-means.

Вероятно какое-нибудь дерево на основе k-means.

Зачем?

• -> resize to 32x32
• -> jpeg
• compare dct

Монохром ещё в некоторых алгоритмах бывает, но это, наверное, про поиск почти одинаковых картинок.

Монохром ещё в некоторых алгоритмах бывает

Perceptual hashing library имеешь в виду? Так цели слегка разные: в данном случае просто сравнить, в phash - некий хэш.

-> resize to 32x32 -> jpeg compare dct

это не избавляет от миллиона сравнений, если выбрать нужно из миллиона вариантов.

это не избавляет от миллиона сравнений

Естественно. Только если ты сравниваем между собой, а не с заранее выбранными «темами». С «темами» сравнений будет значительно меньше (зависит от кол-ва «тем»).

Естественно. Только если ты сравниваем между собой, а не с заранее выбранными «темами». С «темами» сравнений будет значительно меньше (зависит от кол-ва «тем»).

Ну естественно, сама по себе «тема» это разделитель вариантов, такой же как уровень дерева поиска. И определение темы это затраты по вычислениям такие же как и затраты на уровень дерева поиска.

Но меня сейчас интересует использование чего-то типа k-means в качестве разделителя.

меня сейчас интересует использование чего-то типа k-means в качестве разделителя.

Для эффективного пользования k-means тебе всё-равно понадобится набор из N «ключевых» изображений. По N-мерному полю показателей «дистанций» построишь разбиение с помощью k-means, получишь «темы».

Для эффективного пользования k-means тебе всё-равно понадобится набор из N «ключевых» изображений

Это все понятно, и даже понятно как организовать это в дерево разбивок. Интересует опыт других построения такого дерева поиска.

Есть. Функция «дистанции» очень важна. Квадратичная разница свойств намного проще некоторых других, не менее важных функций для упорядочивания «расстояний».

Гугли «задачу поиска ближайшего соседа». Есть базы с встроенной поддержкой такого функционала.

Квадратичная разница свойств намного проще некоторых других

Да щас прям: dist = (a < b) ? (b - a) : (a - b);

неуросеточки

Бугага.

Cover treе подойдёт?

в opencv разве этого нет?

Проще чем скалярное произведение.

Есть. https://docs.opencv.org/2.4/modules/flann/doc/flann_fast_approximate_nearest_neighbor_search.html

Дайте ему готовые решения целого класса задач. «Задача поиска ближайшего соседа». Например, это модная тема в модном машинном обучении, но это только малая часть. Там копать и копать, если копать в ширину - тебе жизни не хватит для изучения.

тебе жизни не хватит для изучения

Жизни то хватит. Но разве это будет жизнь.

Жизни то хватит.

Можешь за жизнь осилить всю топологию (раздел математики). А это всего лишь база для задачи поиска ближайшего соседа.

за жизнь осилить всю топологию

Не надо приукрашать и превозносить возможности человека (любого). Человек будет лишь ориентироваться в «вопросе», а «осилит» он только то, чем сам непосредственно заниматься будет. Такое вот Се-Ля-Ви. Не веришь? Спроси любого.

«осилит» он только то

Для этого надо задавать конкретный вопрос, а не общий. Для этого надо копать в глубину, а не в ширину, и надеяться что есть дно.

То что ты описал похоже на кластеризацию.

Смотря как долго планировать жить.