CVPRMar, 2017

深度素描哈希：快速自由手绘图像检索

PDF
TL;DR本篇研究论文提出了一个用于类别级别自由手绘图像检索的端到端深度体系结构 Deep Sketch Hashing（DSH），其中使用了卷积神经网络来编码自由手绘图、自然图像和辅助的草图令牌，以缓解草图 - 图像几何形变，并有效地捕获不同类别之间的内在语义相关性，实验结果表明 DSH 的检索时间和内存消耗显着降低，检索准确性较之前的方法更优。
free-hand sketch-based image retrievaldeep sketch hashingconvolutional neural networkscategory-level sbirretrieval time
发现论文，激发创造
  • 零样图像哈希化

    本文通过建立一个三网络体系结构的零样本手绘图像搜索算法，利用 Kronecker 融合层和图卷积来缓解手绘图像的异构性，并提出一种生成哈希方案来重建语义知识表示，实现了语义哈希，从而在 Sketchy 和 TU-Berlin 两个扩展数据集上取得了显著的性能提升。

    Mar, 2018

  • 基于素描的图像检索零样本框架

    提出基于生成模型的零样本学习用于手绘图像检索的新方法，在经过大量实验验证后，发现这种方法比现有的方法在检索不同类别的图片时性能更好。

    Jul, 2018

  • Transformer 和 CNN 都在 SBIR 上击败了人类

    本文介绍了以往三元组 SBIR 方案存在的问题，提出了建立具有更好翻转等变性的 SBIR 解决方案的多种方法，并深入评估了每种方法的有效性，揭示了视觉 Transformer 对于 SBIR 任务更加适用，性能比卷积神经网络高得多，引入了第一个在大规模 SBIR 基准（Sketchy）上超越人类表现的模型，具体表现为召回率 62.25％，比以前的最先进方法 46.2％高。

    Sep, 2022

  • 无数据草图图像检索

    该论文提出了一种基于数据自由方法进行绘画图像检索的新模型，通过利用预先训练的分类模型来描述模态之间的关系而不需要任何训练数据，实现了深度学习模型的隐私保护和匿名性，该方法在多个基准测试集上的效果显著优于先前最先进的方法。

    Mar, 2023

  • Doodle to Search: 实用的零样本基于草图的图像检索

    本文提出了一种新的零样本基于草图的图像检索 (ZS-SBIR) 场景，该场景能够有效解决 ZS-SBIR 实际应用中常见的大领域差异和大规模检索问题，提供了一个全新的 ZS-SBIR 数据集 QuickDraw-Extended，采用了一种新策略来处理领域差异，同时集成了外部语义知识以帮助语义转换，实验表明该模型在现有数据集上表现优异，并提供训练代码和数据集以供未来研究使用。

    Apr, 2019

  • 即兴精细草图检索

    本文通过优化基于细粒度素描的图像检索方法，使用增强学习及跨模态检索框架实现检索效率的提升与最少笔画查询目标图像的目标，是一种有效的搜索框架。

    Feb, 2020

  • 零样本基于素描的图像检索生成模型

    提出了一种基于概率模型的草图图像检索方法，采用生成模型来生成图像，并使用反向自回归流和反馈机制保证了图像生成的效果，实验结果表明该方法在两个数据集上的表现优于基线方法。

    Apr, 2019

  • 零样本基于草图的图像检索中的语义感知知识保留

    本文提出了一种名为 Semantic-Aware Knowledge prEservation (SAKE) 的方法，在预训练模型的基础上通过 fine-tunes 和利用语义信息来保留图像检索中先前获得的知识，从而在零样本学习的场景下实现更好的性能表现。

    Apr, 2019

  • 基于堆叠对抗网络的零样本素描图像检索

    本论文提出了一种基于生成对抗网络和连体网络的零样本草图图像检索方法，该方法在标准 ZSL 和广义 ZSL 设置下均获得了显著的提高。

    Jan, 2020

  • 领域平滑网络用于零样本基于草图的图像检索

    该研究提出了一种基于领域平滑网络 (DSN) 的零样本图形检索 (ZS-SBIR) 方法，该方法通过使用跨模态对比方法挖掘增强样本的关系以平滑领域差距，并在草图领域中探索类别特定的记忆库来减少草图的内类别差异。实验结果表明，该方法在 Sketchy 和 TU-Berlin 数据集中表现出色。

    Jun, 2021