通过人类视觉传递的信息流作为灵感,提出了一种基于 CNN 的特定目标检索方法,将注意力放在感兴趣的区域上可以显著提高检索的准确性,并且使用新颖的显着性度量对区域进行加权,进一步提高了检索的准确性。
Mar, 2017
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。
Apr, 2015
本研究提出了一种基于 3D 模型的卷积神经网络 Fine-Tuning 方法,并使用该方法在 VGG 网络上取得了 Oxford Buildings、Paris、Holidays 数据集上的最新成果,此方法可通过可选的正或负样本增强目标物体检索性能。
Nov, 2017
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
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。
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
本研究旨在有效转移卷积神经网络(CNN)在图像搜索和分类中的特征。通过系统研究 CNN 转移的三个要点,本研究得出了使用适当大小的图像作为 CNN 输入的优势,使用平均 / 最大池化改善特征映射的不同 CNN 层的性能的结果以及在不同 CNN 层中提取集合特征的简单组合有效地从低层次和高层次描述符中收集证据等结论。遵循这些良好实践,本研究在多个基准测试中显著提高了最先进技术水平。
本文介绍了如何通过应用注意机制和广义平均池化将卷积神经网络提取的图像描述符聚合为全局描述符,提高检索结果,并在 ROxford5k 和 RParis6k 这两个检索基准上获得了显着的性能提升。
Nov, 2018