我计算了数据集中存在的所有图像的特征向量。我使用欧几里德距离来计算它们之间的距离，并在每次查询时从数据集中检索前10个相似的图像。设置 “阈值”值对我来说是全新的，请提供一些选择它的例子。 提前谢谢。
答案 0 :(得分：0)
有几种不同难度的答案：
简单：返回距离最小的10张图像。如果查询图像与数据集中的任何内容都不是非常相似，则返回的图像将非常相似，但无论如何它们将是最相似的。无需门槛。
更复杂：让一些人将图像对评为相似或不相似（是/否或0-10比例）。你可以从中找出大多数人会说的欧几里德距离是什么＆＃34;不相似＆＃34; （或将得分低于5等）。这是你的经验阈值（但是：对于不同类型的图像，它可能会有所不同 - 我仍然认为你会发现在大多数情况下效果非常好的典型距离）。
更复杂：使用kNN对图像进行聚类。尝试使用许多可能数量的集群;测量平均簇大小，例如作为簇中每个图像的中值（距离（特征向量，簇的质心））。类似地测量簇对之间的距离。这让您了解什么是＆＃34;关闭＆＃34;并且＆＃34;不关闭＆＃34;：但理想情况下，您应该为每个图像使用它所在的群集的大小。