Apr, 2016

可扩展实例搜索的局部卷积特征包

PDF
TL;DR本文提出了一个基于卷积神经网络的局部特征编码和基于词袋模型的实例检索方法，该方法将每个卷积层中的局部激活函数数组映射到可视化词汇中，从而实现了空间重新排序和检索的目的，并在 Oxford 和 Paris buildings benchmarks 中取得了具有竞争力的性能表现。
instance retrieval pipelinecnn featuresbow representationobject localizationsquery expansion
发现论文，激发创造
  • 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

  • E$^2$BoWs：一种基于深度卷积神经网络的端到端词袋模型

    本文提出了一种基于深度卷积神经网络的端到端 BoWs 模型 (E$^2$BoWs)，并介绍了一种新的学习算法来增强生成的 E$^2$BoWs 模型的稀疏性，以进一步确保时间和内存效率。在多个图像搜索数据集上的实验结果表明，与最近的基于深度学习的检索方法相比，我们的模型在准确性和效率上都取得了很好的表现。

    Sep, 2017

  • 基于显著性加权卷积特征的实例搜索

    通过注意力模型对局部卷积特征进行加权，提出了一种基于局部卷积特征包（BLCF）的检索框架，该框架利用人类视觉注意模型（显着性）构建了高效的图像表示。该方法在实例搜索任务中取得了比先前状态的最优性能的显著提高，并在 Oxford 和 Paris 基准测试上提供了与使用现成表示方法的更复杂方法相似的性能。

    Nov, 2017

  • 基于视觉词袋的图像重构

    本研究旨在从视觉单词（BoVW）中重建原始图像，提出了一种含自然性本地邻近性及全局位置的评估函数，并通过使用外部图像数据库获取相关参数的方法来估计原始布局，以达到成功重建 BoVW 的目的，并产生了 101 种不同物体的图像和新颖的 BoVW 图像。

    May, 2015

  • 动作识别中的视觉词袋和融合方法：全面研究和最佳实践

    本研究对 Bag of Visual Words 模型（BoVW）中的五个步骤以及特征融合方法做了全面的研究，探讨了不同的局部特征提取和编码对行为识别的影响，并且基于不同 BoVW 框架和本地描述符的互补性，提出了一个简单而有效的表示方法，被称为混合表示，用于进行行为识别，使得识别率达到了 state-of-the-art。

    May, 2014

  • 通过表面重建学习实现可匹配的图像检索

    该论文提出了一种基于卷积神经网络的图像检索方法，采用三元组损失函数和表面重投影技术，获得了丰富的训练数据和有效的表征。该方法可用于 3D 重建中匹配图像检索问题，优于当前主流方法，显著加速了图像检索过程。

    Nov, 2018

  • 复现 BowNet：通过预测视觉单词包学习表示

    该研究使用无标签数据自我监督学习的方法，使用词袋深度描述符作为学习目标以学习鲁棒、深度特征，该方法可以学习具有扰动不变性和上下文感知的图像特征，适用于几乎无样本的任务或有监督的后续任务，其中将深度特征用于 CIFAR-100 分类任务并未能像原论文中所述显著提高分类准确性。

    Jan, 2022

  • OBoW: 自监督学习在线视觉词袋生成

    本文提出了一种基于教师 - 学生模型的在线 BoW 指导下的无监督学习策略，探索了图像的重建方法来学习视觉表示，并在多个任务上实现了前所未有的性能提升。

    Dec, 2020

  • 学习 Bag-of-Features 池化用于深度卷积神经网络

    本文提出了一种基于量化的方法，称为 Convolutional BoF，使用 RBF 神经元对从卷积层中提取的信息进行量化，并且能够原生地分类各种大小的图像，同时显著减少了网络中的参数，通过三个图像数据集的实验证明了该方法降低了网络参数并提高了分类精度。

    Jul, 2017

  • 图像分类与检索的特征包表示法介绍

    该研究论文介绍了一种基于 Bag of Features (BoF) 方法的图像表示方法，重点介绍了最新的技术和解决问题的策略，并分析了 BoF 方法在图像检索、目标定位等领域的应用和局限性。

    Jan, 2011