CVPRMar, 2020

领域自适应检索概率加权紧凑特征

PDF
TL;DR本文提出了一种名为 “概率加权紧凑特征学习” 的有效方法，该方法提供了跨域检索精度所需的跨域相关性指导，并学习了一系列紧凑二进制代码来提高检索速度，通过构建一个共同的流形结构来探索跨域之间的相关性，丰富的实验验证了我们的方法优于许多最先进的领域自适应图像检索方法。
domain adaptive image retrievalcross-domain retrievalinter-domain correlationcompact binary codesmanifold structure
发现论文，激发创造
  • 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

  • 基于部件的无监督深度卷积特征加权聚合在图像检索中的应用

    本文提出了一种基于语义部分加权聚合（PWA）的图像检索方法，利用深度卷积层的具有区别性的过滤器作为部分检测器，并通过有效的无监督策略选择一些部分检测器生成概率建议，最终实现了对视觉对象的全局加权表示。研究表明，与现有的无监督和有监督的聚合方法相比，本文提出的无监督 PWA 方法具有更好的性能。

    May, 2017

  • 跨领域一致特征扰动

    通过在潜在空间中生成被干扰的特征并对模型预测进行领域转移的正则化来模拟领域转移的在线一阶交叉对比特征扰动（Cross Contrasting Feature Perturbation）框架引入的模块与语义一致性约束设计和学习特征扰动的，无需生成模型或领域标签的方法能够在分布不同的场景中缓解领域转移问题。

    Jul, 2023

  • 自适应加权合作学习用于跨域少样本学习

    通过自适应加权联合学习的方法，将两个独立训练的源典型分类模型适应目标任务，以解决交域少样本学习的挑战，该方法采用加权移动平均预测策略生成概率性预测，并基于从预测中产生的伪标签和实例权重交替地联合微调两个模型。此外，还通过惩罚错误预测部署了负伪标签正则化器来改进微调过程，综合实验结果在多个基准数据集上进行了验证，证明了该方法在交域少样本学习性能方面达到了最先进水平。

    Dec, 2023

  • 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

  • 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

  • 基于跨域合作学习的宽视野眼底图像多种眼底疾病识别

    该研究提出了一种基于 Cross-domain Collaborative Learning 的多种视网膜疾病从广视野和超广视野眼底图像中识别的方法，并在多个数据集上与其它基线模型进行比较。

    May, 2023

  • 零样本基于草图的图像检索的渐进领域无关特征分解网络

    本文提出了一种逐步领域无关特征分解（PDFD）网络，用于零样本基于草图的图像检索（ZS-SBIR），通过将视觉特征分解为域特征和语义特征来维护语义知识的完整性，并使语义特征投影到公共空间，最终的检索特征能够捕获干净且完整的语义信息。实验证明了 PDFD 与现有方法相比在 ZS-SBIR 中具有优越性。

    Mar, 2020

  • PCW-Net：金字塔组合与变形代价体用于立体匹配

    该研究提出了一种名为 PCW-Net 的深度学习模型，它利用代价体积、金字塔结构和图像拉伸等先进技术，在实现跨域泛化的同时提高立体匹配的准确性，其在 KITTI 2012 和 Argoverse 等数据集上取得了最好的性能。

    Jun, 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