CVPRApr, 2016

基于 Faster R-CNN 特征的实例搜索

PDF
TL;DR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。
convolutional neural networksinstance retrievalobject detectionfaster r-cnnfine-tuning
发现论文，激发创造
  • Faster R-CNN: 基于区域建议网络实现实时目标检测

    本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

    Jun, 2015

  • 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

  • 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

  • 快速 R-CNN

    本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

    Apr, 2015

  • 面向特定对象检索的上下文感知查询图像表示

    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

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • 深度激活显著区域用于实例搜索

    该论文提出了一种简单而有效的实例级特征表示法，解决了类非特定实例定位和独特特征表示的问题，并通过平均池化检测到的实例区域上的特征图来产生独特特征表示，进而提高了实例搜索和基于内容的图像搜索的性能。

    Feb, 2020

  • 去掉 R 的 R-CNN

    本文旨在研究在基于卷积神经网络 (CNNs) 的检测器中，Proposal Generation 在模型中的作用，分析其是否是必要的建模组件，承载比 CNN 本身多的关键几何信息，或者仅仅是一种加速检测的方法。我们通过设计和评估一个检测器来证明使用 Proposal Generation 仅仅是一种加速检测的方法，不需要使用其他算法处理图像。同时，我们还提出了多个改进方案，简化了基于 CNN 的检测器的训练，加速了检测。

    Jun, 2015

  • 深度卷积神经网络的视觉实例检索

    本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性，并通过利用多尺度图像特征提取方案，特别地，通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征，实验结果表明，如果对其进行适当提取，那么通用卷积网络图像表示法可优于其他先进方法。

    Dec, 2014

  • 用于紧凑图像表示的对象级深度特征池化

    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