ICCVDec, 2016

具关注力的深度局部特征进行大规模图像检索

PDF
TL;DR我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。
delflocal feature descriptorimage retrievalconvolutional neural networksattention mechanism
发现论文，激发创造
  • 图像搜索中深度局部和全局特征的统一

    该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

    Jan, 2020

  • 通过联合学习检测和描述关键点来增强可变形局部特征

    DALF is a new, deformation-aware network for jointly detecting and describing keypoints, which can be used for local feature extraction in computer vision and delivers better performance when dealing with matching deformable surfaces.

    Apr, 2023

  • 深度图像检索：学习全局图像表示以用于图像搜索

    本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

    Apr, 2016

  • 具有深度特征正交性和混合 Swin 转换器的高效大规模图像检索

    我们提出了一种高效的端到端管道，用于大规模地标识别和检索，演示如何结合和增强最近图像检索研究中的概念并介绍两种特别适用于大规模地标识别的架构：深度正交融合的全局和局部特征模型（DOLG）使用 EfficientNet 骨干和一种新的混合 Swin 变换器，讨论了如何使用逐步方法高效地训练两种架构，并提供了一个具有动态边缘的子中心 Arcface 损失，此外还详细阐述了一种新的判别式重新排名方法用于图像检索，我们的方法通过赢得 Google Landmark 竞赛 2021 的识别和检索赛道证明了其卓越性。

    Oct, 2021

  • 预训练 CNN 的嵌入式特征本地化

    本研究引入了一种基于 CNN 内部信息的新型特征检测器，检测器的信息从特征图与输入图像的梯度计算获得，能够生成显著性地图和相关关键点，无需监督训练，和专门的 feature detector 性能相似。

    Jul, 2019

  • 局部深度描述符回归的人脸对齐

    本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法，其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG，并构建了一种基于回归的面部对齐算法，称为 LDDR，该算法在公开数据集上进行了验证，并有望在多种尺度、角度和遮挡下实现高精度的面部关键点的定位。

    Jan, 2016

  • SFD2: 语义引导的特征检测与描述

    本文提出了一种将高级语义隐式嵌入到检测和描述过程中的语义感知检测器来提高视觉定位准确度的方法，大幅降低了对于外观变化敏感的特征数量，增强了与语义相关的区域的描述符辨别能力，该方法在 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，在使用 2k 和 4k 关键点的情况下，与先前的本地特征相比，我们的模型表现更好，且速度更快。

    Apr, 2023

  • 学习图像检索的超级特征

    本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

    Jan, 2022

  • 利用地标分布描述符进行视觉场所识别

    本研究中，我们建立了从地标特征中提取的描述符，该描述符还编码了视图中地标的空间分布，匹配描述符然后强制实施地标在视图之间的相对位置的一致性，这对性能有显着影响。在 10 个图像对数据集上的实验中，每个数据集都由 200 个城市地点组成，观察位置和条件有显着差异，我们记 录了大约 70％ 的平均精度（在 100％ 召回率下），而使用整个图像 CNN 特征获得了 58％，[1] 方法获得了 50％。

    Aug, 2016

  • ASLFeat: 学习准确形状和定位的本地特征

    ASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。

    Mar, 2020