Mar, 2020

大规模地标检索的两阶段鉴别重排

PDF
TL;DR本文提出了一种通过两阶段鉴别性重新排列解决数据集多样性问题的大规模地标图像检索的有效流程，该方法基于使用余弦 softmax 损失训练的卷积神经网络嵌入特征空间中的图像，通过 $k$ 最近邻搜索和软投票对检索结果进行排序，然后通过从未通过图像相似性检索的数据集中添加附加样本的方式进行插入，以克服检索图像的低视觉多样性。经过深入的实验结果表明，所提出的方法在挑战性的 Google Landmarks 数据集上明显优于现有的方法。
image retrievallandmark recognitionconvolutional neural networkre-rankingvisual diversity
发现论文，激发创造
  • 大规模嘈杂多样化数据集下的地标检索 / 识别

    smlyaka 团队基于深度卷积神经网络与度量学习构建了一个鲁棒的人工智能系统，这个系统在 Google Landmarks-v2 数据集噪声和多样性较高的情况下表现出更好的识别和检索效果，其包括自动数据清理系统和提高数据区分度的再排序方法，并在 Google Landmark Retrieval 2019 挑战赛中获得了第一名，并在 Kaggle 的 Google Landmark Recognition 2019 挑战赛中位列第三。

    Jun, 2019

  • 使用域外样本支持大规模图像识别

    提出了一种高效的端到端方法，用于标注和排序地标图像，采用卷积神经网络将图像嵌入到高维特征空间，并使用视觉相似性分类图像，采用相似性重新排名预测，过滤噪声。使用该方法在 2020 年的 Google 地标识别挑战赛中获得了第一名。

    Oct, 2020

  • Google Landmark Retrieval 2020 比赛第三名解决方案

    该论文探讨了图像检索的基本问题，提出了一种基于数据清洗和度量学习模型的解决方案，并采用一种名为 Corner-Cutmix 的数据增强方法，提高了模型识别多尺度和被遮挡地标图像的能力。

    Aug, 2020

  • 具有深度特征正交性和混合 Swin 转换器的高效大规模图像检索

    我们提出了一种高效的端到端管道，用于大规模地标识别和检索，演示如何结合和增强最近图像检索研究中的概念并介绍两种特别适用于大规模地标识别的架构：深度正交融合的全局和局部特征模型（DOLG）使用 EfficientNet 骨干和一种新的混合 Swin 变换器，讨论了如何使用逐步方法高效地训练两种架构，并提供了一个具有动态边缘的子中心 Arcface 损失，此外还详细阐述了一种新的判别式重新排名方法用于图像检索，我们的方法通过赢得 Google Landmark 竞赛 2021 的识别和检索赛道证明了其卓越性。

    Oct, 2021

  • Google Landmark Retrieval 2020 大赛第一名解决方案

    使用度量学习、迁移学习、微调、集成等方法，通过分类数码标志以提高模型性能，最终在 Google Landmark 检索比赛中获得第 1 名，并获得 0.38677 的 mAP@100 得分。

    Aug, 2020

  • Google Landmark Retrieval 2021 第二名解决方案

    该论文介绍了 Google 地标检索 2021 年 Kaggle 比赛的第二名解决方案，该解决方案基于具有训练技巧的基线，提出了一种根据国家标签选择训练图像的大陆感知的采样策略，并为检索任务提出了地标 - 国家感知的重新排名方法。在私人排行榜上，我们实现了 0.52995 mAP@100。可在此 https URL 中找到代码。

    Oct, 2021

  • 有效的多查询扩展：用于鲁棒地标检索的协作深度网络

    本文提出了一种名为多查询扩展的新框架，以通过使用潜在主题和协同过滤方法，检索语义上坚固的地标，实现从社交媒体中不同用户提供的具有不同几何信息的地标中检索类似地点的照片。

    Jan, 2017

  • 理解图神经网络视角下的图像检索再排序

    本文提出了一种高并行性图神经网络的再排序方法，将传统的再排序过程分为检索高质量图库样本和更新特征两个阶段，并在实验中验证了该方法的实时处理能力和检索效果。

    Dec, 2020

  • 通过联合表示学习实现的人员再识别深度排名

    该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

    May, 2015

  • 一种姿态敏感的个体再识别嵌入式表征方法：扩展的交叉领域再排序

    本文提出了一种有效的人物再识别方法，结合了 fine 和 coarse pose 信息的卷积神经网络，同时提出了一种新的无监督自动重排架构，取得了优异的效果。

    Nov, 2017