Dec, 2014

深度神经激活的 Fisher Kernel

PDF
TL;DR本文介绍了一种将传统的基于低级局部描述符的图像表示法和卷积神经网络的深度神经激活相结合的框架，提出了一种从预训练的 CNN 中提取公平数量的多尺度密集局部激活的有效方法，并通过改进的 Fisher kernel 框架聚合这些激活。实验证明，该方法可用作更好地执行视觉识别任务的一种主要图像表示。
convolutional neural networksimage representationfisher kernel frameworkmulti-scale dense local activationsvisual recognition tasks
发现论文，激发创造
  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 局部特征和视觉单词在激活中出现

    该研究提出了一种新颖的用于图像检索的深度空间匹配方法。该方法利用卷积神经网络激活函数提取图像描述符，同时采用一组局部特征来近似稀疏的三维激活张量，从而实现对张量最优对齐的稳健匹配，并在不需要任何网络修改、额外的网络层或训练、视觉聚类的情况下实现图像检索。该方法在多个基准测试中实现了最先进的性能。

    May, 2019

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 深度量化：用深度生成模型编码卷积激活

    该论文提出了一种基于 Fisher 向量与变分自编码器的深层架构，用于将卷积层的本地激活量化为深度生成模型，并在三个公共数据集上进行广泛实验，取得了比现有最先进方法更好的结果。

    Nov, 2016

  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 基于选择性深度卷积特征的图像检索紧凑二进制表示

    该论文提出了一种新的计算量小、效果好的框架，其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性；同时还利用哈希模块生成非常紧凑的二进制图像表示，并在六个图像检索基准测试中取得了最好的检索性能。

    Feb, 2018

  • 使用 CNN 激活的积分最大池化进行特定对象检索

    本文尝试使用基于 CNN 的图像表示来重新设计目标检索流程，首次在 Oxford5k 和 Paris6k 数据集上效果能够与传统方法一较高下。

    Nov, 2015

  • 图像检索的基于选择性深度卷积特征

    本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

    Jul, 2017

  • 深度卷积激活特征的多尺度无序池化

    本文介绍了一种简单但有效的方案 —— 多尺度无序池（MOP-CNN），该方案提取多尺度下局部块的 CNN 激活，对每个尺度单独进行无序 VLAD 池化并将结果串联，从而提高了 CNN 激活的不变性和识别性能，并在图像分类等监督或非监督识别任务中表现出色。

    Mar, 2014

  • 深度神经网络中激活空间的高效表示

    提出了一个模型无关的框架来创建深度神经网络中激活的表示，使用节点特定的直方图来计算观察到的激活的 p 值，从而减少内存使用并解决隐私问题。

    Dec, 2023