1、Trace.moe
圖像反向搜索動漫場景，使用動漫截圖搜索該場景的拍攝地。它告訴你該動畫在日本動漫中出現的是哪個動畫，哪個情節以及確切的時間。
https://github.com/soruly/trace.moe
2、Awesome Cbir Papers
經典圖像檢索的論文
https://github.com/willard-yuan/awesome-cbir-papers
3、Cnnimageretrieval Pytorch
在PyTorch中檢索CNN圖像：在PyTorch中訓練和評估CNN以進行圖像檢索
https://github.com/filipradenovic/cnnimageretrieval-pytorch
4、Lire
基於內容的圖像檢索/視覺信息檢索庫。LIRE (Lucene Image Retrieval)是一個基於內容的圖像檢索的開源庫，這意味着你可以使用LIRE來實現搜索相似圖像。除了提供多種通用和先進的檢索機制外，LIRE還允許在多個平臺上輕鬆使用。LIRE被積極地用於研究、教學和商業應用。由於其模塊化的特性，它可以用於處理級別(如索引圖像和搜索)以及圖像特徵級別。開發人員和研究人員可以很容易地擴展和修改LIRE以使其適應他們的需要。
https://github.com/dermotte/LIRE
5、Cnn For Image Retrieval
"Image retrieval using MatconvNet and pre-trained imageNet"的代碼
https://github.com/willard-yuan/CNN-for-Image-Retrieval
6、Hashing Baseline For Image Retrieval
HABIR哈希圖像檢索工具箱是一個用Matlab語言寫的集成了經典哈希方法以及最近幾年無監督哈希方法的基準框架，裏面包含了針對圖像檢索的主流評價指標，使用該工具箱使得你可以專注於哈希方法的設計，其他性能評價這些方面的東西可以由它來幫你完成。目前我主要致力於大規模圖像檢索研究，在圖像檢索中除了專注與duplicate search外我也花很大力氣在哈希大規模圖像檢索上。在研究的過程中，我發覺幾乎很少有研究者提供不同對比方法的代碼。這爲研究帶來了很大不便，而且我堅信在研究的過程中，我們應專注於新算法的設計，而不是新人進來時都得重新造輪子，我們可以在現有代碼的基礎上學習它，並將它進行拓展，爲自己使用。於是，就有了你現在看到的這個hashing-baseline-for-image-retrieval，希望它能夠爲關注基於哈希方法進行圖像檢索的小夥伴們帶去些許幫助。
https://github.com/willard-yuan/hashing-baseline-for-image-retrieval
7、Flask Keras Cnn Image Retrieval
CNN-based基於Keras的圖像檢索
https://github.com/willard-yuan/flask-keras-cnn-image-retrieval
8、Sis
一個簡單圖像搜索引擎：http://www.simple-image-search.xyz/
https://github.com/matsui528/sis
9、Cbir
🏞一個基於內容的圖像檢索(CBIR)系統
https://github.com/pochih/CBIR
10、Artificio
https://github.com/ankonzoid/artificio
11、Siamesenetwork Tensorflow
利用siamese網絡進行降維和相似圖像檢索
https://github.com/ardiya/siamesenetwork-tensorflow
12、Retrieval 2017 Cam
真實場景中的圖像檢索以未標記圖像的大型動態數據集爲目標。在這些情況下，每次向數據庫中添加新映像時，對模型進行培訓或微調既不高效，也不可伸縮。在大數據集上訓練用於圖像分類的卷積神經網絡已被證明是用於圖像檢索的有效特徵提取器。最成功的方法是基於對卷積層的激活進行編碼，因爲它們傳遞圖像空間信息。在本文中，我們超越了這種空間信息，提出了一種基於目標圖像中預測的語義信息的局部感知卷積特徵編碼方法。爲此，我們使用類激活映射(CAMs)獲得圖像中最具鑑別能力的區域。CAMs基於網絡中包含的知識，因此，我們的方法具有不需要外部信息的額外優勢。此外，在第一次快速搜索後的無監督重新排序階段，我們使用CAMs生成目標建議。我們在兩個公共可用數據集(例如檢索)上進行的實驗，Oxford5k和Paris6k，證明了我們的方法在使用ImageNet上訓練的現成模型時優於當前最先進的技術。
https://github.com/imatge-upc/retrieval-2017-cam
13、Mmt
[ICLR-2020] Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification.
https://github.com/yxgeee/MMT
14、Caffe Deepbinarycode
本文提出了一種簡單而有效的監督深度哈希方法，該方法從標記數據中構造二值哈希碼用於大規模圖像搜索。我們假設語義標籤由幾個潛在屬性控制，每個屬性是開或關的，分類依賴於這些屬性。基於這個假設，我們的方法稱爲監督保留語義的深度哈希(SSDH)，它將哈希函數構造爲深度網絡中的一個潛在層，通過最小化一個目標函數來學習二進制碼，該目標函數定義在分類錯誤和其他理想的哈希碼屬性上。通過這種設計，SSDH具有分類和檢索統一於單一學習模型的良好特點。此外，SSDH以點智慧的方式執行圖像表示、哈希碼和分類的聯合學習，因此可擴展到大規模數據集。SSDH很簡單，可以通過對現有的深度分類體系結構稍加增強來實現;然而，它是有效的，並優於其他散列方法在幾個基準和大數據集。與現有的方法相比，SSDH在不犧牲分類性能的前提下，獲得了更高的檢索精度。
https://github.com/kevinlin311tw/Caffe-DeepBinaryCode
15、Trace.moe Telegram Bot
-
開始與機器人聊天https://telegram.me/WhatAnimeBot
-
直接向機器人發送動畫截圖(圖片、gif或視頻)
-
還可以將其他聊天中的圖像轉發給機器人
-
機器人會告訴你動畫、情節和時間代碼
-
它還會將該場景的視頻預覽發送給你
https://github.com/soruly/trace.moe-telegram-bot
16、Delf Pytorch
“關注深度局部特徵的大規模圖像檢索”的PyTorch實現
https://github.com/nashory/DeLF-pytorch
17、Deep Fashion Retrieval
使用pytorch在深層數據集上進行簡單圖像檢索
https://github.com/ihciah/deep-fashion-retrieval
18、Semantic Embeddings
基於層次結構的圖像嵌入用於語義圖像檢索。從用於分類的深度神經網絡的最後一個卷積層提取和聚合的特徵已被證明是用於各種任務的有用的圖像描述符，如遷移學習和圖像檢索。在基於內容的圖像檢索中，通常會將視覺上相似的圖像聚類在該特徵空間中。然而，這種方法有兩個主要問題:視覺相似性並不總是對應於語義相似性。例如，一個橙子可能在視覺上與一個橙色碗相似，但是從語義的角度來看，它們根本沒有關係。類似地，如果用戶提供棕櫚樹的查詢圖像，他們可能對橡樹和楓樹等其他樹語義上相似的圖像比蜘蛛的圖像更感興趣。分類目標不強制不同的類之間有很高的距離，因此一些圖像的最近鄰居可能屬於完全不同的類。基於層次結構的語義嵌入通過將圖像嵌入到點積與語義相似度直接對應的特徵空間中來克服這些問題。
https://github.com/cvjena/semantic-embeddings
19、Pytorch Image Retrieval
一個用於圖像檢索任務的PyTorch框架
https://github.com/leeesangwon/PyTorch-Image-Retrieval
20、Imageretrieval Tf
基於tensorflow & tf-servering & flask 的圖像檢索
https://github.com/icodingc/ImageRetrieval-tf
21、Deepembeding
DeepEmbedding 是使用深度學習的方法把多種媒體映射嵌入到相同向量空間，在統一空間中進行搜索的技術。本項目通過視覺級別搜索，細粒度類別（實例檢索）和圖像-文本互搜的方式來測試通用多媒體檢索。
https://github.com/hudengjunai/DeepEmbeding
22、Deep Fashion
提出了一種新的服裝圖像檢索方法
https://github.com/zuowang/deep-fashion
23、Massimageretrieval
解決海量圖像檢索的問題
https://github.com/liuguiyangnwpu/MassImageRetrieval
24、Mirror
從表面重建中學習匹配圖像檢索。Mirror是用於3D重建和相關應用程序的可匹配圖像檢索管道。與典型的對象檢索不同，可匹配的圖像檢索旨在查找重疊度大的相似圖像。典型的基於CNN的方法不能很好地解決此問題，因爲訓練了模型以查找相同類別的對象。該項目提出了一種通過利用區域特徵聚合和準確的自動標註3D幾何數據來解決此問題的新方法。
https://github.com/hlzz/mirror
25、Revisitop
大規模圖像檢索基準測試
關於更多機器學習、人工智能、增強現實資源和技術乾貨，可以關注公衆號：AIRX社區，共同學習，一起進步！
https://github.com/filipradenovic/revisitop