文件名称：雅诗兰黛
文件大小：8.56MB
文件格式：ZIP
更新时间：2024-03-22 07:14:43
JupyterNotebook
雅诗兰黛 用例：性能分析问题：将全球（互联网）资产的性能分析连接到搜索功能很少的大型数据库（超过一百万）资产中的原始资产。 在资产内部嵌入唯一标识符的问题是，当它们在进入社交媒体的过程中经过许多不同的手/公司时，它们很容易丢失。 使用图像分类，我们可以避免该问题。 目标：为图像资产分析和竞争对手分析奠定基础。 将在社交媒体和零售网站上的数字资产管理系统之外找到的操纵图像资产连接回数字资产管理系统内原始资产的文件路径。 障碍：此项目的训练数据本来就很小，每个资产只有一张图片。 我们只知道图像是被操纵的，而不是图像的实际处理（裁剪，叠加，缩放等）。 一些图像彼此非常相似。 有一条细线可用来区分相似的图片，并连接相同图片的受控版本。 方法：1）图像分类2）自动编码图像分类：使用Keras / Tensorflow，我带了他们的imagedatagenerator并创建了原始图像的合成版本。
【文件预览】：
estee_lauder-master
----projector_final.ipynb(151KB)
----.gitignore(2KB)
----kmeans_image_metadata_projector.ipynb(41KB)
----estee_10_image_keras_test.ipynb(7.01MB)
----README.md(5KB)
----tf_trial_2_records.ipynb(9KB)
----estee_44_image_flow_directory.ipynb(45KB)
----object_detection_tf.ipynb(8KB)
----image001.jpg(37KB)
----tf_projector.ipynb(24KB)
----estee_44_image_classifier.ipynb(822KB)
----estee_10_image_beginning.ipynb(14KB)
----Autoencoder_denis.ipynb(2.23MB)
----image001 (1).jpg(37KB)
----projector_pic.JPG(135KB)
----Estee_demo.ipynb(1010KB)
----Autoencoder.ipynb(45KB)
----anuj_feature_extractor.ipynb(10KB)
----.DS_Store(8KB)
----Object_detection.ipynb(8KB)
----projector_tensorboard.ipynb(8KB)
----Autoencoder_denis_mac.ipynb(705KB)