咋用Word2vec特征表示在图像识别与检索
用word embedding做检索这方面工作已经有了。参考Unifying Visual-Semantic Embeddings withMultimodal Neural Language Models http://www.cs.toronto.edu/~zemel/documents/vis-sem-nipsDL.pdf 看它5.1节的Figure 4。还是把图贴出来吧（据说贴图能涨关注度）： 【咋用Word2vec特征表示在图像识别与检索】 
可以看到，在Ruslan Salakhutdinov的这篇paper里，图片和文字可以做A-B+D=C这样的组合检索。不过它并没有用word2vec这种模型。如果采用word2vec这种word embedding模型，也可以做类似的事情，比如：r(图像A) - r(图像B) + r(图像D) = r(图像C)，这里的 r(图像) 是指利用word2vec对图像得到一个表示(representation/embedding)。具体来说，word2vec其实就是针对“word与word”之间的co-occurrence矩阵做降维或者叫embedding，甚至也可以用在word与doc中，只要能够构造一个co-occurrence矩阵。题目中说“word2vec特征表示在图像识别与检索”，首先要对图像做处理使得它能够构成co-occurrence矩阵。可以采用这个简单的方法：给定一堆images，对image使用CV中常用的Bag of words表示(你要是不懂这个，可以追问)，如此一来，则image就可以用一组Bag of word替代，于是 “image与word" 之间就天然存在一个co-occurrence矩阵，此时就可以用word2vec对image做表示。一般来说，数据集选择得好的话，在图像中也可以得到A-B=C-D这种性质哦。得到表示之后，你想做检索就可以直接基于这个表示。
推荐阅读
- 图像特征提取时，灰度共生矩阵的方向是咋确定的
- 单特征AUC是咋计算的
- 《黑暗之魂3》捏脸是怎样做到取消各个特征的相关性的
- 关于图片里的文本识别，哪些特征相对有效
- 微信公共账号到底咋用
- 睡眠|健康“亮红灯”的人，睡觉时常有4个特征，占一个，也要重视起来
- 后发制人|是“大长腿”标志，藏着后发制人的身高潜力孩子腿部的这个特征
- 咋用c语言或java打点出函数图
- 淋巴结|体内有癌，脖子先知，脖子若出现一个特征，癌症可能已经是中晚期
- 高个|长大后多半是“大高个”，你家娃符合吗腿部有这几个特征的孩子