圖片主題模型在推薦系統(tǒng)的應(yīng)用實踐ACAAC，CA、C、D，A物品D。這是一個基于行為日志的基于用戶的協(xié)同過濾。根據(jù)目標用戶的歷史偏好信息將這些類似的物品推薦給用戶。比如我們認為物品A被用戶ABCCA、BAC就把物品C推薦給了用戶C，這是基于物品的協(xié)同過濾。CAC歡電影A，那么我們也會認為他會喜歡電影C，因為A和C是同一類別的。NLP（自然語言處理問題），視頻也能拆成理解主要能歸納為NLP問題和圖像處理問題，我本次分享主要是分享圖像處理問題。featuremapfeaturemapbox用來擬合矩形位置的，用的是一個L1Smooth函數(shù)；第二Softmax到了SSD的總損失?，F(xiàn)在講一下這個框是怎么框出來的。舉一個例子，SSD是一個多層的，它要在不同的粒度每個格子都有一個候選的樣子，比如說我們能看出來它一共有4個格，然后我們就能看出來現(xiàn)在就有8×8×4個格子，然后計算每個格子和這個GT的損失，找到與它最相似的，我featuremap4×4用相同的方法也能算出哪個格子和GT格子最接近。也就是說在featuremap上，對于每然后這個就是SSD的一個實例，它前面是VGG16，然后在后面加上一些多層的feature對這張圖我們找到它的位置，用分類器找它屬于哪個類，得到一個結(jié)果。再走一層VGG，拿到一個19×19的圖，也是一個位置和分類的結(jié)果，一直到最后也是一個位置和分類的結(jié)果。這時我們就有了6個位置和分類的結(jié)果，然后對這6個結(jié)果進行非最大抑制，就能找這是我們一個目標檢測實例。我們可以看到圖中用框把狗框出來了，我們要理解一下SSD17|0.917170.917抖動時等都是可以的，然后將每個關(guān)鍵幀提取它的SSD特征。比如說有9000個類，這就9000900090009000如訓練集有9000個類，那么它只能從這9000個里尋找。SIFTSIFTSIFT實質(zhì)是在不同尺度空間查找特征點，然后計算出方向，尺度空間是通過高斯模糊來獲們在這個例子中是有五組，每組內(nèi)部在做高斯差分，SIFT認為重要的點都是在模糊的差別那部分。比如說每個金字塔內(nèi)有S個尺度，做完差分后就變成S-1了，對于差分中的每一八維的實數(shù)向量。此時我們對特征點得到一個4×4×8，也就是128維向量。128128FAISSFacebook包括無法被完全讀入內(nèi)容空間的向量集合；它使用C++編寫，而且可以被Python調(diào)用。這是主題聚類的一個示例。最后一張圖是查詢圖，前面5