无敌:炸裂好用网页配色采集器

　　无敌:炸裂好用网页配色采集器

　　相信很多做UI和网页设计的设计师经常会从网上各种真实的网站案例中找到灵感，但是自己提取和分析网站的配色太麻烦了！

　　而今天推荐的Chrome插件Site Palette不仅可以自动提取网站配色，还可以帮你分析扩展~快来看看怎么用吧！

　　首先你需要在 chrome 扩展商店中添加一个插件

　　然后就会出现在你的插件栏中了~

　　随便打开一个网站，点击插件图标，Site Palette 就能帮你搞定那个网站的配色方案

　　像阿姨酱

　　如您所见，Site Palette 可以帮助我们生成三种不同的颜色选择模式

　　只需点击色块，即可轻松复制色值~

　　当然，这些都是非常基础的功能！

　　更方便的是他还可以直接下载获取sketch和adobe的色卡文件，支持直接导入软件色板！就是省时省力~

　　此外，还可以支持对接Google Arts&Culture（谷歌文化艺术）查找同色系的艺术品图片

　　您还可以在 Google Arts & Culture 上随意调整颜色值，并帮助您将图像与相应的颜色值匹配（可用于非商业用途）

　　此外，它还可以停靠Colors进行进一步的色值调整，并使用最便捷的功能帮助您快速生成满意的配色方案！

　　点击上方【探索】，一键获取Adobe推荐配色库

　　使用站点调色板，您可以同时拥有三个工件！真的是一送二的大福利~而且好用！无需注册！强大的！

　　最后一个链接：

　　接近完美:相似度检测——hnsw参数选择

　　最近，我正在做一个相似性检测项目。虽然现在的技术已经很成熟，项目也比较简单，但是算法应用过程中如何选择一些参数，一开始还是比较纠结的。毕竟现在任何算法都要优化，所以记录下选择过程。

　　第 1 部分。论文中讨论的参数

　　Part 2. 在实际项目中的应用

　　参考论文：

　　简述相似度搜索过程：分层搜索+独立集的图邻居选择

　　原理参考：/u011233351/article/details/85116719 透明！！

　　第 1 部分。论文中讨论的参数

　　在使用该算法时，会涉及到以下参数的选择，这些参数会对精度、构建时间、搜索时间、RAM大小产生不同的影响：

　　接下来，我将一一列出来进行分析。

　　1.用什么特征作为输入，以图像分析为例。

　　1.原创特征，图像本身作为输入。显然，不管这种情况下效果如何，至少数据量会非常大，对RAM的要求也会非常高。一般不用作输入特征

　　2、SIFT特征，图像处理中的特征提取方法有很多，其中SIFT是具有代表性的。当然其他选项也是可用的。这样大大减少了数据量，同时也可以起到降维的作用。使用有效特征作为相似性比较的基础是合理的。

　　3、DEEP特征，目前比较流行的是神经网络，可以用这种方法提取特征。

　　4. 其他特点

　　特征选择有一个原则：主要特征的归一化降维。去除冗余点对我们后续的相似度检测大有裨益。

　　对于不同特征的数据集，作者还给出了统计信息：

　　当不同的数据特​​征传入H-NSW算法时，性能受到很大影响。

　　1.随机d=4，MNIST数据特征本身小，性能提升快

　　2. SIFT和DEEP特征，复杂输入经过这两种处理可以有效提升性能和响应时间，这两个特征从图13对比可以看出DEEP特征更好（初始QT小，BF小）。

　　2.特征维度的选择

　　特征维度的大小与RAM使用、搜索时间、性能快速达到稳定范围有很大关系。维度越小，响应越快，性能提升也越快。对于简单的问题，可以选择小维度，对于复杂的问题，可以选择大维度。对于相同数量级的数据集，维度越大，RAM使用量越大，搜索时间越长。

　　作者还给出了统计：

　　3.M和efConstruction

　　M 是这样解释的：- 在构造过程中为每个新元素创建的双向链接的数量。

　　M 的合理范围是 [2,200]。M越高，对于具有高维特征的数据集，召回率可能越高，性能越好；M越低，具有低维特征的数据集的性能越好。

　　建议M：12、16、32。因为已经选择了特征，所以维度一般不会太高。

　　efConstruction :- 该参数与 ef 含义相同，但控制 index_time/index_accuracy。

　　ef - 最近邻居的动态列表的大小（在搜索期间使用）。

　　efConstruction越大，构建时间越长，指标质量越好。有时，过快增加 efConstruction 并不能提高索引质量。有一种方法可以检查 efConstruction 的选择是否可以接受。计算recall，当ef=efConstruction时，在M取值时，如果recall低于0.9，则可以适当增加efConstruction的值。

　　还有一个参数 max_elements，要检索的最大元素。此参数取决于您正在创建的索引库的特征数量。如果要检测 1000,0000 个特征中是否有相似的图像，这个 max_elements 应该设置为 1000,0000。当然，这也取决于RAM是否支持同时加载这么多数据。

　　作者给出统计：

　　4. 数据集大小对搜索时间的影响

　　从图15的内置缩略图可以看出，随着数据量的增加，搜索时间会急剧增加；建议一次搜索的数据量控制在10M以内。如果数据量真的很大（比如每年的数据量是20M，随着时间的增长，数据量急剧增加），可以分段创建几个索引库，同时搜索，并取最小的距离值作为最终结果。

　　五、测量方法

　　不同的测量方法得到不同的距离值（相似度检测最终得到两幅图像的相似度[0,1]）。在计算两张不相似的图像之间的相似度时，需要尽可能地扩大它们之间的距离，以便于判断。

　　以下是作者提到的几种方法的列表。哪个更好取决于数据集的测试效果。

　　距离参数方程

　　平方 L2'l2'd = sum((Ai-Bi)^2)

　　内积'ip'd = 1.0 - sum(Ai*Bi))

　　余弦相似度'cosine'd = 1.0 - sum(Ai*Bi) / sqrt(sum(Ai*Ai) * sum(Bi*Bi))

　　Part 2. 在实际项目中的应用

　　1. 特征选择

　　通过图13中的比较，最终选择DEEP特征作为hnsw算法的输入。

　　在提取特征的时候，我参考IBM的Accelerate Reverse Image Search with GPU进行特征提取：/IBM/reverse-image-search-gpu-studio 这部分后面会详细分析。

　　2.特征降维

　　在项目实际运行过程中，加入了PCA降维。主要原因是数据集很大，搜索时间过长，准确率不理想（不相似的图片和相似的图片没有区别，参考下图第一列数据）。将功能从 1280 减少到 128。

　　期间我尝试将维度降到256：使得每张图片的特征大小为1164（根据hnsw中的维度计算的数据大小），那么我的半年数据量为4W*183图像，所以 RAM=1164*40000 *183，大约 10G。事实上，我需要比较3年内索引库中的数据量（认为这很可怕）。

　　实验对比如下：

　　上图中 dist>0 的数据是一张不在索引库中的图片（有四张测试图片）。当维度d=256时，距离值可以画得更广，便于区分；与没有PCA降维的结果相比，维数d=128时也更好。

　　三、测量方法

　　根据官网的提示，“ip”方法解释如下： 注意内积不是实际的度量。一个元素可以更接近于其他元素而不是它自己。也就是说，这种方法在实践中是不需要考虑的（元素A和A计算的结果可能比元素A和B计算的结果大，距离越小越相似）。

　　因此，采用“l2”方法进行计算。后来发现“余弦”法在扩大相异范围方面效果更好。即元素A与B不相似，余弦计算的值更接近1，l2计算的结果较小。

　　4.内存问题

　　RAM 的问题取决于 CPU 配置。在算法参数中，需要保证 max_number*size_per_data 小于等于 RAM 的 80%，以便在实际中运行流畅。

　　5. 数据集是个大问题

　　当数据集很大时，会导致两个问题：

　　这种情况可以适当分段建立几个索引库，即可解决。当然，如果要加快搜索速度，比如多线程搜索几个索引库，就必须提高电脑配置。这不仅保证了准确性，而且提高了速度。