博文：Image retrieval using MatconvNet and pre-trained imageNet，对应web演示主页picSearch。
2017/10/08: 构建CBIR检索对比框架cnn-cbir-benchmark，包括Fisher Vector, VLAD, FC, RMAC, CROW.
2017/08/15更新：增加Python版本，Caffe版本，Keras版本。
2015/12/31更新：添加对MatConvNet最新版version 1.0-beta17的支持，预训练的模型请到Matconvnet官网下载最新的模型。
2015/12/31更新：添加对MatConvNet最新版version 1.0-beta17的支持，预训练的模型请到Matconvnet官网下载最新的模型。
2015/10/20更新：Web演示部分代码公开CNN-Web-Demo-for-Image-Retrieval。
2015/09/24更新：添加对MatConvNet最新版version 1.0-beta14的支持。
2015/12/31更新：添加对MatConvNet最新版version 1.0-beta17的支持，删掉原来的版本(预训练的模型请到matconvnet官网下载最新的模型)。
2015/06/29更新：添加对MatConvNet最新版version 1.0-beta12的支持。
注意：其中文件夹matconvnet-1.0-beta17是已经编译好了的，鉴于MatConvNet只能在Matlab 2014及其以上以及系统必须是64位，所以在使用此工具箱之前得满足这两个条件。如果是Pythoner，推荐使用flask-keras-cnn-image-retrieval，纯Python，非常易于写成在线图像搜索应用。
Caltech-256图像数据库上搜索结果
1). 如果不需要计算mAP的话，那就直接把你的图像库文件夹名字命名为database，并将图片全部放在放在database文件夹下即可。如果你要在后面计算MAP（平均检索精度）的话，要确保图像数据库做成文件夹databaseClassified中的形式，然后执行下面命令：
python movefiles.py2). 接着便可以抽取特征。运行extractCNN.m，要用parfor并行的话，直接修改注释部分即可。
3). 检索可视化。这一步运行queryInDatabaseDemo.m即可。
4). 计算mAP。不需要计算MAP的这步略过。运行compute_MAP.m，关于mAP的计算，请参阅我画的mAP计算过程示意图：信息检索评价指标，这个计算mAP的脚本是按照那个流程中定义的mAP计算方式来写的。
非常的amazing, 除了验证降维到128D后损失不减外，惊奇地发现4096D的CNN降维到128D后精度还有提高，一种可能的解释：CNN特征也有一定的信息冗余，信息冗余所带来的影响比降维所带来的损失的影响要更大。结论：You should reduce the dimension of CNN when you use if.
PCA降维对CNN特征的影响
上面实验使用的是本项目代码，图像数据集使用的是Caltech101。
关于PCA对PCA降维的影响，Neural Codes for Image Retrieval中也有探讨，以及曾跟Adrian Rosebrock也有过这方面的交流：
ANN is really fantastic, it makes such much easier. You could also try something like PCA on your 4096-d vector and try to get it down to 128-d. It would save some space and (ideally) not hurt accuracy.
所以，如果采用了CNN特征的话，推荐将其降维到128D。
conv-net-version-3，对应博客Convolutional Neural Networks III
Keras，强力推荐
Keras资源列表：
DeepLearning tutorial（6）易用的深度学习框架Keras简介
DeepLearning tutorial（7）深度学习框架Keras的使用-进阶
Keras VGG-16模型 VGG16 model for Keras
PDNN，对应主页PDNN: A Python Toolkit for Deep Learning
GoogLeNet, A GPU Implementation of GoogLeNet.