使用深度特征映射进行跨领域图像匹配

Apr, 2018

使用深度特征映射进行跨领域图像匹配

Cross-Domain Image Matching with Deep Feature Maps

Bailey Kong, James Supancic, Deva Ramanan, Charless C. Fowlkes

TL;DR本文提出了一种基于多通道规范化互相关的相似度度量方法，能够有效识别犯罪现场遗留的鞋印，此方法可以用于其他领域的图像检索问题。同时，我们使用卷积神经网络的特征描述符在特殊领域中表现出了惊人的效果，提高了鞋印的识别精度。

Abstract

We investigate the problem of automatically determining what type of shoe left an impression found at a crime scene. This recognition problem is made difficult by the variability in types of crime scene evidence

crime scene shoe recognition convolutional neural network similarity measure multi-channel normalized cross-correlation

发现论文，激发创造

CriSp: 基于胎纹深度图的增强犯罪现场鞋印匹配

通过利用在线零售商的鞋底图像，CriSp 方法训练了深度学习模型，用于匹配噪声和遮挡的犯罪现场足迹图像与鞋底深度图，从而在鞋印匹配和图像检索任务上显著优于现有方法。

Apr, 2024

改进和评估法医足迹匹配的机器学习方法

我们提出了一个机器学习流程用于法庭鞋印模式匹配，改进了现有方法的准确性和泛化能力。通过边缘检测从鞋印扫描中提取 2D 坐标，并使用迭代最近点（ICP）对两个鞋印进行对齐。然后，提取相似度指标来量化两个鞋印的匹配程度，并使用这些指标训练一个随机森林，生成两个鞋印来自同一鞋底的概率度量。通过评估我们的方法在多种鞋印场景上的准确性，我们评估了基于实验室鞋印扫描的机器学习方法对更真实的犯罪现场鞋印数据的泛化能力：部分鞋印、模糊程度不同的鞋印、磨损程度不同的鞋印和不同鞋款的鞋印。我们发现，在一个类型的鞋印上训练的模型在测试相同场景的鞋印对时具有极高的准确性，但不能泛化到其他场景。我们还发现，在不同场景中训练的模型几乎像在具体场景中训练的模型一样准确的预测。

Apr, 2024

通过广义相似度度量和特征学习进行跨领域视觉匹配

本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

May, 2016

中间的魔鬼：利用中层表示进行跨域实例匹配

提出了一个用于跨领域实例匹配的统一框架，该框架利用中间层特征与最终层特征相结合，可以在细粒度草图图像检索和人重识别任务中轻松打败装备更复杂体系结构的最先进模型。

Nov, 2017

数字图像取证相似度

介绍一种新的数字图像取证方法，称为 “取证相似性”，可以确定两个图像图块是否包含相同的取证痕迹或不同的取证痕迹。该方法使用基于卷积神经网络的特征提取器和三层神经网络组成的系统来计算图像汇总所包含的同一或不同取证痕迹的相似性得分，实验证明其可应用于各种取证痕迹，不需要事先了解特定痕迹的知识。该系统在检测相机型号、图像编辑和操作参数方面，表现出优异的性能和应用前景。

Feb, 2019

跨领域下存在离群值的图像匹配

本文提出了一种端到端的体系结构，可以在没有标签的情况下匹配跨域图像并通过异常检测处理非重叠域，该体系结构利用域自适应和三元组约束来训练一个网络，该网络能够学习域不变和身份可区分的表示，并使用熵损失和我们提出的加权 MK-MMD 迭代地检测异常值。在 Office [17] 数据集和我们提出的数据集 Shape、Pitts-CycleGAN 上的广泛实验证据表明，该方法在不同的基准测试中具有最先进的跨域图像匹配和异常检测性能。

Sep, 2019

跨领域目标检测的二维特征对齐

本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。

Nov, 2020

通过隐式跨域对应实现的长期不变局部特征

通过改进现代视觉特征提取网络的监督方法，我们的方法在跨长期视觉领域变化的图像对捕捉下，显著改善了视觉定位性能，减小了性能差距，为长期部署提供了更稳健的视觉定位方法，并在长期定位基准测试中始终优于现有方法。

Nov, 2023

无监督跨域图像检索的特征表示学习

本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

Jul, 2022

深度形状匹配

该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017