ICLRNov, 2016

卷积神经网络在视觉实例检索中的最佳实践是什么？

PDF
TL;DR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。
deep convolutional neural networksfeature mapsimage retrievalmulti-scale feature representation methodvisual instance retrieval
发现论文，激发创造
  • 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

  • 基于选择性深度卷积特征的图像检索紧凑二进制表示

    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

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 图像检索的基于选择性深度卷积特征

    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

  • 深度卷积网络在文件图像分类和检索中的评估

    本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

    Feb, 2015

  • 利用深度网络中的本地特征进行图像检索

    本文研究采用卷积神经网络在图像检索中的应用，通过提取不同层的卷积特征，使用 VLAD 编码转化为一个单一向量，探讨不同层和规模在特征处理中的影响，发现较低的层次和更精细的尺度能够更好地提升图像检索的准确度，同时对比了其他方法，最终取得了业界领先的成果。

    Apr, 2015

  • 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

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017

  • 基于 Faster R-CNN 特征的实例搜索

    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

  • CNN 特征转移的良好实践

    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。

    Apr, 2016