Бюджет: 1500 USD Срок: 90 дней
Здравствуйте.
Напишите в личные сообщения, для уточнения вопросов.
Спасибо.
Всем привет! Нам нужен специалист для алгоритма поиска сходства изображений. Мы видим это как комбинацию хэширования изображений и алгоритм поиска ближайшего соседа. Вот базовый рабочий процесс:
1. Хэширование изображений:
- Используйте алгоритмы perceptual hashing, такие как Average Hash, DCT Hash или pHash, для генерации уникального хэша для каждого изображения. В идеале этот хэш должен представлять визуальное содержимое изображения в компактной форме.
- Храните эти хэши в базе данных вместе с соответствующими идентификаторами изображений.
2. Поиск Nearest Neighbour:
- Когда пользователь загружает изображение, вычислите его хэш, используя тот же алгоритм.
- Используйте быстрый алгоритм поиска ближайших соседей, такой как хеширование с учетом местоположения, известное как LSH или k-d деревья, чтобы найти наиболее близкие совпадения на основе хэша.
- Извлеките соответствующие изображения из базы данных.
3. Реализация:
- Библиотеки Python, такие как OpenCV, imagehash и scikit-learn, могут быть полезны для обработки изображений, хэширования и поиска ближайших соседей.
- Оптимизируйте запросы к базе данных и индексацию для эффективного поиска.
Дизайн готов в Figma (во вложении)
Идея заключается в создании SaaS-решения третьим лицам в бизнес-модели B2B в качестве, прежде всего, нового маркетингового инструмента. Однако цель здесь состоит в разработке прототипа для демонстрации возможностей и того, как это может быть реализовано / представлено, поэтому необходима тестовая база данных. В идеале мы находим способ автоматического извлечения изображений из Интернета, чтобы затем поработать над алгоритмом извлечения, поскольку для его эффективности действительно требуется много похожих элементов.
Бюджет: 1500 USD Срок: 90 дней
Здравствуйте.
Напишите в личные сообщения, для уточнения вопросов.
Спасибо.
Бюджет: 1500 USD Срок: 15 дней
Ваш подход к алгоритму поиска сходства изображений с использованием перцептивного хэширования и поиска ближайшего соседа является довольно эффективным и часто используется в практике. Алгоритмы, такие как Average Hash, DCT Hash и pHash, хорошо подходят для выявления сходства на визуальном уровне. Они устойчивы к небольшим изменениям в изображении, что делает их идеальными для поиска изображений, которые визуально похожи, но не идентичны. Но есть и другие способы, основанные на векторизации изображения и поиска схожести векторов. Вместо хэшей можно использовать векторы фич, извлеченные из изображений с помощью алгоритмов машинного зучения или глубокого обучения. Это может улучшить точность поиска за счет увеличения размера хранения и времени вычислений. Есть полное понимание как это реализовать. Готов взяться.
Бюджет: 1500 USD Срок: 4 дня
Здравствуйте, готов реализовать быстро и качественно. Можем обсудить все более детально в лс?
Бюджет: 1500 USD Срок: 10 дней
Вообще-то это немного не так делается.
Что вы хотите сравнивать - лица или любые картинки?
Обработка данных 14 ставок 15:46
64 ставки 13:35
14 ставок 2 августа
Консультирование по AI 87 ставок 1 августа
Консультирование по AI 52 ставки 31 июля