Google Landmark Retrieval 2020 比赛第三名解决方案
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
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
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。
Mar, 2020
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
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
该研究论文研究了视觉定位中图像检索方法对定位性能的影响,并提出了专为定位场景设计的检索方法的需求。通过引入基准测试和多种 “地面真实性” 定义以及针对经典地标检索或地点识别任务的检索效能的分析,探讨了这种影响。
May, 2022
本文介绍了第二名在 Google 通用图像嵌入竞赛中的解决方案,主要探讨了数据建立,模型结构和训练策略对细粒度图像分类的影响,并在公共排行榜得分为 0.713,在私人排行榜得分为 0.709。
Oct, 2022
本研究提出了一种多分支检索方法,通过组合全局描述符和局部描述符来应对大规模数据以及图像复制攻击的挑战,其中包括丰富的数据增强和自监督学习等优化策略,并引入了鲁棒性较强的 SIFT 特征和 GPU Faiss 进行局部检索,在使用 KNN 匹配算法来判断匹配和合并分数时,我们展示了一些我们方法的消融实验,揭示了全局和局部特征的互补优势。
Dec, 2021
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