Dec, 2020

理解图神经网络视角下的图像检索再排序

PDF
TL;DR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。
re-rankinghigh-parallelism graph neural networkimage retrievalcomputational complexityreal-time post-processing
发现论文，激发创造
  • 基于图卷积的视觉检索高效重新排序

    本文介绍了一种采用图卷积网络的高效接近搜索再排序方法，通过更新特征值来完善视觉检索任务的初步结果，并以状态 - of-the-art 表现获得了在 3 个不同任务的七个基准数据集上的结果。

    Jun, 2023

  • 利用检索增强的图神经网络进行图属性预测

    本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

    Jun, 2022

  • 大规模地标检索的两阶段鉴别重排

    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

  • 图神经网络增强的 LLM 问题回答检索

    我们提出了一种名为 GNN-Ret 的新型检索方法，利用图神经网络（GNNs）考虑段落间的相关性来增强检索过程，并通过 RGNN-Ret 处理多跳推理问题，从而提高问题回答准确率。实验结果表明，GNN-Ret 相比多次查询的强基线方法在单次查询 LLM 的问题回答准确率上更高，而 RGNN-Ret 进一步提高了准确率，在 2WikiMQA 数据集上的准确率提高了 10.4%。

    Jun, 2024

  • 神经信息检索与图嵌入相遇：产品搜索排序模型

    本文介绍了一种利用图嵌入技术使神经信息检索模型可以利用图结构数据进行自动特征提取的方法，并将其应用于电子商务数据集中，结果显示该方法在多个强基线模型和排序框架中都有显著提高。

    Jan, 2019

  • 神经信息检索推理时重排反馈

    本文提出了利用轻量级的推理，将 re-ranker 的命中率反馈给 retriever 的方法，从而提高检索召回率。实验证明，此方法在多个领域、语言和模态下均明显提高了检索召回率。

    May, 2023

  • GNNRank：通过有向图神经网络从成对比较中学习全局排名

    本研究利用神经网络提出了一个名为 GNNRank 的训练框架，用于从成对比较中恢复全局排名，该框架涉及一种排名得分估计方法以及一种形成可学习相似矩阵的图形构建方法，实验结果表明该方法能够获得优秀的性能和有希望的转移能力。

    Feb, 2022

  • 使用深度相似度引导的图神经网络进行人员重新识别

    该论文提出了一种称为 SGGNN 的新型深度学习框架，它可以使用关系信息来更新 probe-gallery 关系特征，通过使用这些特征进行预测可以实现准确的相似度估计。SGGNN 通过直接使用富标签的图库实例对学习边权重进行改进，将提供更精确的关系融合信息。该方法在三个公共人员再识别数据集上具有有效性。

    Jul, 2018

  • 通过学习场景图之间的相似度进行图像检索

    本文通过使用图神经网络测量场景图的相似度，提出了一种基于场景图相似度的图像检索方法，并使用人工注释的标题计算图片相关性测量来训练图神经网络，收集了一个数据集用于评估检索算法，并显示我们的方法比竞争方法更符合人类对图像相似性的感知。

    Dec, 2020

  • 知识库问答中的查询图重新排名方法

    本文提出了一种新的重排方法，以更好地选择知识图谱的子图查询图形，以检索知识库问答（KBQA）中的输入问题的答案。

    Apr, 2022