SIFT 遇见 CNN:实例检索十年回顾
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
在本文中,我们提出了将卷积神经网络与基于字典的模型相结合,用于场景识别和视觉域自适应,并且我们发现所提出的混合表示法相较于仅使用卷积神经网络模型具有更好的表现。
Jan, 2016
本文主要研究如何通过量化、编码、剪枝和权值共享等技术减小深度神经网络模型的规模,以解决基于卷积神经网络的全局图像描述符在图像实例检索任务上面临的储存问题,研究结果表明,最小化模型大小能够在不影响检索结果的情况下减小两个数量级的规模。
Jan, 2017