Mar, 2017

面向特定对象检索的上下文感知查询图像表示

PDF
TL;DR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。
convolutional neural networksimage retrievalparticular object retrievalregion of interestsaliency measure
发现论文，激发创造
  • 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

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • 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

  • 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

  • 图像检索的深度视觉表示端到端学习

    本文针对深度学习在实例级图像检索方面表现不佳的问题，提出了基于大规模嘈杂地标数据集的清洗方法、改进的 R-MAC 描述符、基于三元组损失的孪生网络，并在 Oxford 5k、Paris 6k 和 Holidays 数据集上，分别报告了 94.7，96.6 和 94.8 的平均精度，并通过产品量化处理可以实现图像表示的高度压缩。

    Oct, 2016

  • 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

  • 一种新的特征混淆方法揭示了卷积神经网络学习空间关系的能力

    该研究使用特征打乱的方法，结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制，探索了 CNNs 在对象分类中是否使用特征的空间排列，并且发现它们实际上能够利用相对较远的空间关系进行对象分类，同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后，研究还发现 CNNs 只能学习特征的中间粒度的空间排列，这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。

    Dec, 2022

  • 视觉常识 R-CNN

    本论文提出了一种新颖的无监督特征表示学习方法：Visual Commonsense Region-based Convolutional Neural Network（VC R-CNN），用作改进的视觉区域编码器，适用于高级任务，例如字幕和 VQA。

    Feb, 2020

  • 基于人口编码的卷积神经网络内部状态无监督学习对象语义部分

    本研究通过对 CNNs 的内部状态进行聚类，提出了一种无监督学习方法来发现物体的语义部件表达，即 Visual Concepts，并证明了其在物体部件检测和语义标注方面的有效性。

    Nov, 2015