Apr, 2015

用于紧凑图像表示的对象级深度特征池化

PDF
TL;DR本文提出一种基于卷积神经网络和物件性先验知识的图像检索方法，通过对图像区域深度特征和物件性先验的结合，有效地解决了图像在几何变换和物品构成方面的不变性问题，从而实现更准确高效的图像检索。
convolutional neural networkobjectness priorinvariant image representationgeometric transformationsimage retrieval
发现论文，激发创造
  • 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

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 用具有池化层的 CNN 进行快速特征提取

    本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

    May, 2018

  • 多层神经网络在物体识别中的性能分析

    本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

    Jul, 2014

  • 基于 Faster R-CNN 特征的实例搜索

    本文探讨了使用来自目标检测卷积神经网络的图像和区域表示进行实例检索的适用性，并考虑在相同目标上对 Faster R-CNN 进行微调的适用性，通过首次筛选和空间重新排序构建实例搜索流水线，该方法在 Oxford Buildings 5k、Paris Buildings 6k 和 Trento Visual Search 2013 的子集上获得了竞争性的结果。

    Apr, 2016

  • Auto-pooling: 学习从图像序列中改善图像特征的不变性

    该论文提出了一种无需使用空间信息的新型池化方法，可以学习图像序列的特征软聚类，从而改进特征的时间相干性，且在图像分类任务上表现优异。

    Jan, 2013

  • 卷积神经网络中的平移不变性是什么？一项可视化研究

    通过三个实验比较了百万级图像的表示方法，发现使用流行的 CNN 模型提取的特征并不具有全局不变性，并提供了一个代码库以及一个网站，可以与实验结果互动交流。

    Nov, 2020

  • 深度图像分类中学习尺度变化和尺度不变特征

    本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征，并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明，我们的多尺度卷积神经网络优于单尺度卷积神经网络，从而得出结论：在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。

    Feb, 2016

  • 卷积神经网络在视觉实例检索中的最佳实践是什么？

    本文对多种因素对卷积神经网络（CNN）提取的特征代表性的影响进行了全面评估，提出了一种新的多尺度图像特征表示方法来有效编码图像，并在可视化目标检索的四个典型数据集上表现出了优异的性能。

    Nov, 2016

  • 基于深度特征的判别定位学习

    本文研究了全局平均池化技术在卷积神经网络中应用的原理，发现其可以使网络更好地实现局部特征定位，从而建立了一种通用的可局部化的深层表示方法，并通过实验证明其在物体定位等各种任务上的有效性。

    Dec, 2015