May, 2019

局部特征和视觉单词在激活中出现

PDF
TL;DR该研究提出了一种新颖的用于图像检索的深度空间匹配方法。该方法利用卷积神经网络激活函数提取图像描述符，同时采用一组局部特征来近似稀疏的三维激活张量，从而实现对张量最优对齐的稳健匹配，并在不需要任何网络修改、额外的网络层或训练、视觉聚类的情况下实现图像检索。该方法在多个基准测试中实现了最先进的性能。
deep spatial matchingimage retrievalconvolutional neural networklocal featuresperformance
发现论文，激发创造
  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 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

  • 深度本地描述符的学习与聚合在实例级别的识别中的应用

    该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

    Jul, 2020

  • 学习图像检索的超级特征

    本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

    Jan, 2022

  • 深度图像检索：学习全局图像表示以用于图像搜索

    本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

    Apr, 2016

  • 深度神经激活的 Fisher Kernel

    本文介绍了一种将传统的基于低级局部描述符的图像表示法和卷积神经网络的深度神经激活相结合的框架，提出了一种从预训练的 CNN 中提取公平数量的多尺度密集局部激活的有效方法，并通过改进的 Fisher kernel 框架聚合这些激活。实验证明，该方法可用作更好地执行视觉识别任务的一种主要图像表示。

    Dec, 2014

  • 图像搜索中深度局部和全局特征的统一

    该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

    Jan, 2020

  • 基于深度学习的局部特征匹配：综述

    本研究对本地特征匹配方法进行了全面的综述，将其分类为基于探测器和不基于探测器两类，并探索了其在不同领域的实际应用和面临的当前挑战，以及未来的研究方向。

    Jan, 2024

  • 层次结构度量学习及其在二维和三维几何对应中的匹配

    该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

    Mar, 2018

  • 室内视觉定位的深度密集局部特征匹配和车辆去除

    本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架，以消除车辆造成的虚假匹配，实现对室内停车场的定位，并在基准数据集上取得了 86.9% 的准确率，表现优于现有方法。

    May, 2022