Apr, 2021

关于在图像检索中质心的不合理有效性

PDF
TL;DR本文提出了在训练和检索中使用平均质心表示法的图像检索方法。通过对类的单个嵌入进行聚合表示类，无论在嵌入稳定性还是检索速度上都有出色的表现。在两个数据集上的实验表明，该方法在时尚检索和 ReID 应用中具有优越性。
image retrievaltriplet losscentroid representationreidfashion retrieval
发现论文，激发创造
  • 聚合特征的面向对象的开放词汇图像检索

    本研究提出了一种简单而有效的方法来实现以对象为中心的开放词汇图像检索，通过从 CLIP 中提取出的密集嵌入将大规模图像检索管道的可扩展性与密集检测方法的对象识别能力相结合，从而实现了极大的提升。

    Sep, 2023

  • 领域自适应人员再识别的多质心表示网络

    本文提出了一个名为 MCM 的多重质心内存解决了该方法中存在的伪标签聚类不完美的问题，同时进一步提出了两个策略来改进对比学习过程，即 DSCL 机制和 SONI 策略，并将它们整合到了一个统一的框架中。大量实验证明了 MCRN 在多个 UDA re-ID 任务和完全无监督的 re-ID 任务中超过了现有方法。

    Dec, 2021

  • 利用质心三元损失学习嵌入向量进行机器抓取中的物体识别

    基于基础模型的对象识别模型训练中，采用质心三元组损失的方法，实现了高准确率和灵活的输入尺寸，同时在需要细粒度检测的 HOPE 数据集上表现优于相关方法。

    Apr, 2024

  • Unicom: 用于图像检索的通用紧凑表示学习

    本文研究了图像检索方法中预训练模型的应用，提出了一种基于 CLIP 模型从联合文本和视觉特征提取像素类描述符的方法，采用部分原型随机选择以及特征维度随机选择的方法来提高特征表示和冲突鲁棒性，最终在多个基准测试中取得了超过现有方法的性能表现。

    Apr, 2023

  • 基于层级结构的图像嵌入方法用于语义图像检索

    该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

    Sep, 2018

  • 图像检索的深度视觉表示端到端学习

    本文针对深度学习在实例级图像检索方面表现不佳的问题，提出了基于大规模嘈杂地标数据集的清洗方法、改进的 R-MAC 描述符、基于三元组损失的孪生网络，并在 Oxford 5k、Paris 6k 和 Holidays 数据集上，分别报告了 94.7，96.6 和 94.8 的平均精度，并通过产品量化处理可以实现图像表示的高度压缩。

    Oct, 2016

  • 多视角 3D 物体检索的三元中心损失

    研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。

    Mar, 2018

  • 高分辨率图像检索中基于 Triplet-loss 扩张残差网络的表示学习

    本文提出了一种使用三元组损失（triplet loss）的卷积神经网络方法，该方法采用膨胀残差卷积神经网络（dilated residual convolutional neural network）提取高分辨率表示，并通过广义均值池化（Generalized-Mean pooling）方法增强提取的表示的鲁棒性，该方法在 Revisited Paris6k 和 UKBench 等数据集上取得良好的图像检索精度。

    Mar, 2023

  • 通过生成伪查询嵌入以改善密集检索的文档表示

    本论文提出了一种基于聚类的检索模型，通过迭代聚类过程来模拟查询，并将文档表示为多个伪查询，通过两步得分计算程序优化匹配函数，实现了高效的近似最近邻搜索，达到了最先进的结果。

    May, 2021

  • 基于原型投影的人物再识别思考

    利用分类器将图像特征投影为类别原型，并将这些原型用作更有区分性的特征来进行人物 Re-ID。提出了一种新的基线模型 ProNet，在推理阶段保留分类器功能，通过分类器对特征进行投影从而学习类别原型，实验证明 ProNet 的性能显著优于之前的模型。

    Aug, 2023