MMSep, 2017

E$^2$BoWs：一种基于深度卷积神经网络的端到端词袋模型

PDF
TL;DR本文提出了一种基于深度卷积神经网络的端到端 BoWs 模型 (E$^2$BoWs)，并介绍了一种新的学习算法来增强生成的 E$^2$BoWs 模型的稀疏性，以进一步确保时间和内存效率。在多个图像搜索数据集上的实验结果表明，与最近的基于深度学习的检索方法相比，我们的模型在准确性和效率上都取得了很好的表现。
bag-of-visual-wordsend-to-enddeep convolutional neural networksemantic feature mapsimage search
发现论文，激发创造
  • 可扩展实例搜索的局部卷积特征包

    本文提出了一个基于卷积神经网络的局部特征编码和基于词袋模型的实例检索方法，该方法将每个卷积层中的局部激活函数数组映射到可视化词汇中，从而实现了空间重新排序和检索的目的，并在 Oxford 和 Paris buildings benchmarks 中取得了具有竞争力的性能表现。

    Apr, 2016

  • 复现 BowNet：通过预测视觉单词包学习表示

    该研究使用无标签数据自我监督学习的方法，使用词袋深度描述符作为学习目标以学习鲁棒、深度特征，该方法可以学习具有扰动不变性和上下文感知的图像特征，适用于几乎无样本的任务或有监督的后续任务，其中将深度特征用于 CIFAR-100 分类任务并未能像原论文中所述显著提高分类准确性。

    Jan, 2022

  • OBoW: 自监督学习在线视觉词袋生成

    本文提出了一种基于教师 - 学生模型的在线 BoW 指导下的无监督学习策略，探索了图像的重建方法来学习视觉表示，并在多个任务上实现了前所未有的性能提升。

    Dec, 2020

  • 基于视觉词袋的图像重构

    本研究旨在从视觉单词（BoVW）中重建原始图像，提出了一种含自然性本地邻近性及全局位置的评估函数，并通过使用外部图像数据库获取相关参数的方法来估计原始布局，以达到成功重建 BoVW 的目的，并产生了 101 种不同物体的图像和新颖的 BoVW 图像。

    May, 2015

  • CNN 图像检索借鉴 BoW：基于 Hard Examples 的无监督微调

    本研究提出了一种用于图像检索的卷积神经网络 Fine-tune 方法，利用最先进的检索和运动结构方法，通过 3D 模型自动获取训练集，采用硬正负样本来提升性能。

    Apr, 2016

  • 学习 Bag-of-Features 池化用于深度卷积神经网络

    本文提出了一种基于量化的方法，称为 Convolutional BoF，使用 RBF 神经元对从卷积层中提取的信息进行量化，并且能够原生地分类各种大小的图像，同时显著减少了网络中的参数，通过三个图像数据集的实验证明了该方法降低了网络参数并提高了分类精度。

    Jul, 2017

  • 动作识别中的视觉词袋和融合方法：全面研究和最佳实践

    本研究对 Bag of Visual Words 模型（BoVW）中的五个步骤以及特征融合方法做了全面的研究，探讨了不同的局部特征提取和编码对行为识别的影响，并且基于不同 BoVW 框架和本地描述符的互补性，提出了一个简单而有效的表示方法，被称为混合表示，用于进行行为识别，使得识别率达到了 state-of-the-art。

    May, 2014

  • 可学习的直方图：深度神经网络的统计上下文特征

    本文提出了一种可学习的直方图层，可以在深度神经网络中学习直方图特征并在训练期间与其他层共同优化，这在语义分割和目标检测中得到了探索，深入研究提供了深入的洞见。

    Apr, 2018

  • 通过预测视觉单词包学习表征

    本文提出了一种基于视觉词汇的自监督学习方法，通过将图像特征映射量化为视觉词汇，实现了对图像的分离表示，通过 Bag-of-Words 表示学习有用的下游图像理解特征，与类似自然语言领域的方法相比，该方法在目标检测和分类上表现出更好的迁移能力。

    Feb, 2020

  • 通过表面重建学习实现可匹配的图像检索

    该论文提出了一种基于卷积神经网络的图像检索方法，采用三元组损失函数和表面重投影技术，获得了丰富的训练数据和有效的表征。该方法可用于 3D 重建中匹配图像检索问题，优于当前主流方法，显著加速了图像检索过程。

    Nov, 2018