图像&文本的跨模态相似性比对检索【支持40种语言】

本例子提供了通过文本搜图片的能力展示（模型本身当然也支持图片搜文字，或者混合搜索）。

主要特性

• 底层使用特征向量相似度搜索
• 单台服务器十亿级数据的毫秒级搜索
• 近实时搜索，支持分布式部署
• 随时对数据进行插入、删除、搜索、更新等操作

背景介绍

OpenAI 发布了两个新的神经网络：CLIP 和 DALL·E。它们将 NLP（自然语言识别）与 图像识别结合在一起，对日常生活中的图像和语言有了更好的理解。 之前都是用文字搜文字，图片搜图片，现在通过CLIP这个模型，可是实现文字搜图片，图片搜文字。其实现思路就是将图片跟文本映射到同一个向量空间。如此，就可以实现图片跟文本的跨模态相似性比对检索。

• 特征向量空间（由图片 & 文本组成）

CLIP - “另类”的图像识别

目前，大多数模型学习从标注好的数据集的带标签的示例中识别图像，而 CLIP 则是学习从互联网获取的图像及其描述, 即通过一段描述而不是“猫”、“狗”这样的单词标签来认识图像。 为了做到这一点，CLIP 学习将大量的对象与它们的名字和描述联系起来，并由此可以识别训练集以外的对象。 如上图所示，CLIP网络工作流程： 预训练图编码器和文本编码器，以预测数据集中哪些图像与哪些文本配对。 然后，将CLIP转换为zero-shot分类器。此外，将数据集的所有分类转换为诸如“一只狗的照片”之类的标签，并预测最佳配对的图像。

支持的语言列表：

 

功能介绍

• 以图搜图：上传图片搜索
• 以文搜图：输入文本搜索
• 数据管理：提供图像压缩包(zip格式)上传，图片特征提取

1. 图片上传

1). 点击上传按钮上传文件.
2). 点击特征提取按钮. 等待图片特征提取，特征存入向量引擎。通过console可以看到进度信息。

 

2. 跨模态搜索 - 以文搜图

输入文字描述，点击查询，可以看到返回的图片清单，根据相似度排序。

• 例子1，输入文本：车

• 例子2，输入文本：雪地上两只狗

 

3. 跨模态搜索 - 以图搜图