Nov, 2017

基于显著性加权卷积特征的实例搜索

PDF
TL;DR通过注意力模型对局部卷积特征进行加权，提出了一种基于局部卷积特征包（BLCF）的检索框架，该框架利用人类视觉注意模型（显着性）构建了高效的图像表示。该方法在实例搜索任务中取得了比先前状态的最优性能的显著提高，并在 Oxford 和 Paris 基准测试上提供了与使用现成表示方法的更复杂方法相似的性能。
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

  • 深度激活显著区域用于实例搜索

    该论文提出了一种简单而有效的实例级特征表示法，解决了类非特定实例定位和独特特征表示的问题，并通过平均池化检测到的实例区域上的特征图来产生独特特征表示，进而提高了实例搜索和基于内容的图像搜索的性能。

    Feb, 2020

  • 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

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

    Sep, 2016

  • 基于多尺度深度特征的视觉显著性

    本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

    Mar, 2015

  • 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

  • 金字塔特征注意力网络用于显著性检测

    通过提出金字塔特征注意力网络来解决视觉注意力检测中如何提取有效特征的问题，该网络能够关注高层次的上下文特征和低层次的空间结构特征，并在这些特征图上应用通道注意和空间注意，然后将它们进行融合，最后通过边缘保护损失来引导网络学习边界定位中更详细的信息。在五个基准数据集上进行的广泛评估表明，该方法在不同的评估指标下优于现有的基准方法。

    Mar, 2019

  • 学习不确定卷积特征以实现准确的显著性检测

    提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。

    Aug, 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

  • 稀缺训练数据情境下细粒度物体识别的显著性

    本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程，从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明，显著性方法可以显著提高网络性能，特别是在很少的训练数据情况下。

    Aug, 2018