CVPRDec, 2015

通过优化全局损失函数学习具有深度连体和三元卷积网络的局部图像描述符

PDF
TL;DR本文提出了使用三元组网络和全局损失函数来学习本地图像描述符的方法，使用 UBC 基准数据集进行比较，结果表明在减少 UBC 数据集误差方面，三元组网络比 Siamese 网络更准确，并且三元组和全局损失函数的组合是最佳的。最后，本文还展示了在 UBC 数据集上使用全局损失的中心 - 环绕 Siamese 网络的表现最好。
convnetimage descriptorssiamese networktriplet networkglobal loss
发现论文，激发创造
  • PN-Net: 用于学习本地图像描述符的三重深度联合网络

    本文提出了一种新的学习本地描述符以匹配图像补丁的方法，使用三元组的正面和负面对来训练网络并引入了一种新的损失函数以提高匹配性能。我们将我们的描述符与 MatchNet 和 DeepCompare 进行比较，并证明了我们的优势。

    Jan, 2016

  • 使用三元组网络进行深度度量学习

    本文提出了三元组网络模型，通过距离比较来学习有用的表示方法，在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法，而且还探讨了其作为无监督学习框架的未来可能用途。

    Dec, 2014

  • 深度卷积图像描述符分析

    本文提出了一种使用 Siamese 结构的深度卷积神经网络，利用 Hinge 嵌入损失函数，以学习局部图像描述符。利用 “fracking” 技巧对正负样本进行探索，得到了远高于 SIFT 和当前最先进技术的结果。

    Dec, 2014

  • 使用全景视图和三元损失函数的层次定位

    本研究旨在使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。我们使用在动态条件下捕获的真实室内环境的全景图像。文章提出了两种方法来通过三元组神经网络解决定位问题。第一种是分层定位，它包括两个阶段：粗定位和细定位。第二种是全局定位，它在一步中估计机器人在整个地图中的位置。此外，对损失函数对网络学习过程的影响进行了全面研究。实验证明，三元组神经网络是解决室内环境中移动机器人定位问题的高效且稳健的工具，能考虑到真实操作条件。

    Apr, 2024

  • 用共享权重网络的一般化对比学习进行地点识别的优化

    研究了 CNN 在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练 Siamese CNN 并使用改进的注释来实现自动注释和视觉地点识别，实验证明 CNN 在这方面的效果优于目前主流的方法。

    Mar, 2021

  • 努力了解你邻居的边界：本地描述符学习损失

    提出了一种受到 SIFT 匹配标准启发的用于学习局部特征描述符的新型损失函数，试验结果表明，该损失函数优于复杂的正则化方法，且适用于浅层和深层卷积网络结构，将新型损失函数应用于 L2Net CNN 结构得到的紧凑描述符，维度与 SIFT 相同 (128)，并取得了宽基线立体、块验证和实例检索基准的最先进性能。

    May, 2017

  • 学习图像聚类嵌入：三元组损失方法实证研究

    本文在嘈杂标签的假设下，使用 Triplet Loss 训练卷积神经网络学习能区分特征，并通过 K-means 和相关聚类评估三种 Triplet Loss 公式的聚类性能，提出一个新的公式优于现有方法，应用于 CIFAR-10 图像分类数据集。

    Jul, 2020

  • 图像检索的深度视觉表示端到端学习

    本文针对深度学习在实例级图像检索方面表现不佳的问题，提出了基于大规模嘈杂地标数据集的清洗方法、改进的 R-MAC 描述符、基于三元组损失的孪生网络，并在 Oxford 5k、Paris 6k 和 Holidays 数据集上，分别报告了 94.7，96.6 和 94.8 的平均精度，并通过产品量化处理可以实现图像表示的高度压缩。

    Oct, 2016

  • 深度人脸识别的三元组蒸馏

    本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

    May, 2019

  • 高分辨率图像检索中基于 Triplet-loss 扩张残差网络的表示学习

    本文提出了一种使用三元组损失（triplet loss）的卷积神经网络方法，该方法采用膨胀残差卷积神经网络（dilated residual convolutional neural network）提取高分辨率表示，并通过广义均值池化（Generalized-Mean pooling）方法增强提取的表示的鲁棒性，该方法在 Revisited Paris6k 和 UKBench 等数据集上取得良好的图像检索精度。

    Mar, 2023