您最好的猜测是Google图片搜索如何工作？我可以上传照片，也可以搜索相似的图像。它用于识别相似图像的算法是什么？
Answers:
我不知道Google使用哪种算法。但是，既然您想要一个最佳的猜测，那么让我就如何构建类似的系统给出一些想法。
处理基于图像的逐个图像的整个领域称为基于内容的图像检索（CBIR）。该想法是要以某种方式构造包含有关图像内容的信息的图像表示（人类不一定理解）。
存在两种基本方法：
对底层的本地方法进行了很好的研究。当前最好的方法是提取局部特征（这里涉及到特征提取算法的选择），并使用其局部描述符（同样，选择描述符）来比较图像。
在较新的作品中，首先对本地描述符进行聚类，然后将聚类视为可视单词 -然后，该技术与Google文档搜索非常相似，只是使用可视单词而不是字母单词。
您可以将视觉单词视为等同于语言中的单词词根：例如，单词：work，working，worked都属于同一个单词词根。
这些方法的缺点之一是它们通常在低纹理图像上表现不佳。
我已经给出并看到了许多详细说明这些方法的答案，因此，我仅提供指向这些答案的链接：
语义方法通常基于整个图像的分层表示。这些方法尚未完善，特别是对于一般图像类型。将这类技术应用于特定的图像域取得了一些成功。
由于我目前正在研究这些方法，因此无法得出任何结论。话虽如此，我在这个答案中解释了这些技术背后的总体思路。
再次，简短地说：总体想法是用树形结构表示图像，其中叶子包含图像细节，并且可以在更靠近此类树根的节点中找到对象。然后，以某种方式比较子树以标识包含在不同图像中的对象。
以下是有关不同树表示形式的一些参考。我没有全部阅读，其中一些使用这种表示法而不是CBIR进行细分，但它们仍然是：
除了对佩内洛普的回答外，还有两种方法，感知哈希和词袋模型，它们的基本功能易于实现，因此在尝试进入更高级的领域之前可以很好地使用或学习。
感知哈希
感知哈希算法旨在构造一个哈希，该哈希与密码哈希不同，它将为已通过例如缩放或JPEG压缩而稍微失真的相同图像提供相似或接近相似的哈希值。它们在检测图像集合中的重复项时很有用。
您可以按照其最基本的形式来实现此目标：
将图像转换为灰度
使您的图像为零均值
结果是有弹性的64位哈希，因为它基于图像的低频成分。此主题的一种变体是将每个图像划分为64个子块，并将全局图像均值与本地子块均值进行比较，并相应地写出1或0。
感知哈希例如由phash实现
词袋模型
词袋模型旨在从语义上识别图像，例如其中包含狗的所有图像。它通过使用某些图像补丁来实现此目的，其精神与人们根据某些单词的出现来对文本文档进行分类一样。可以对单词进行分类，例如说“ dog”和“ dogs”，并将它们作为标识符存储在反向文件中，其中“ dog”类别现在指向包含“ dog”或“ dogs”的所有文档。
以最简单的形式，可以使用以下图像进行操作：
您现在拥有了大量的SIFT描述符。问题是，即使来自几乎相同的图像，描述符之间也会存在一些不匹配。您希望将相同的词或多或少地组合在一起，就像将某些单词视为“ dog”和“ dogs”一样一样，并且需要补偿错误。这就是群集发挥作用的地方。
图像查询（例如，找到与查询图像相似的图像）将按以下方式解决：
似乎在上述答案中被忽略的另一种有趣的方法是深度卷积神经网络。看来Google现在正在将其用于图像搜索引擎和翻译服务。CNN在诸如相似度发现之类的认知任务中非常强大.CNN似乎执行了类似的``世界之袋''程序，该程序通过其网络层嵌入。这种技术的缺点是无法学习，需要庞大的数据集进行训练，而且训练阶段的计算成本当然很高。
关于此方面的建议论文：
和开源深度学习图像检索实现（后面的文章）：https : //github.com/paucarre/tiefvision