深度卷积特征聚合的图像检索
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
本文提出了一种新方法进行实例级别的图像检索,通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示,该方法基于一个特定图像检索任务训练的深度架构,利用排序框架来学习卷积和投影权重,并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。
Apr, 2016
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。
Dec, 2014
本文研究采用卷积神经网络在图像检索中的应用,通过提取不同层的卷积特征,使用 VLAD 编码转化为一个单一向量,探讨不同层和规模在特征处理中的影响,发现较低的层次和更精细的尺度能够更好地提升图像检索的准确度,同时对比了其他方法,最终取得了业界领先的成果。
Apr, 2015
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
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
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
该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法,它使用度量学习来训练深度神经网络,通过内部组件的激活传递局部描述符。与现有本地描述符相比,在两个实例级别识别任务中提供更好的性能和更低的存储器需求,这证明了全局描述符在大规模情况下不够有效,适当的局部性是不可或缺的。
Jul, 2020
本文介绍了一种名为 “Recombinator Networks” 的模型,该模型可以在不影响鲁棒性的前提下,通过信息重组的方式实现对精确定位的支持,相较于传统的基于求和和拼接的方法,其精度有显著提升,并将误差降低了 30%。同时作者还提出了基于卷积神经网络的去噪预测模型,进一步提升了该模型的性能。
Nov, 2015