ECCVJul, 2021

利用深度多风格特征融合和迭代投票在大型艺术收藏中进行物体检索和定位

PDF
TL;DR本文介绍了一种基于计算机视觉的算法，利用多样性特征融合和区域投票技术可以准确地搜索和定位艺术品中指定的图案或物体，有效地解决了大规模数字化艺术品数据集的图像检索问题。
art historydigitizationalgorithmcomputer visionimage retrieval
发现论文，激发创造
  • 利用空间一致的特征学习发现艺术收藏中的视觉模式

    该研究旨在通过使用自监督学习来发现大型艺术品收藏中的近重复图案，并使用经过调整的深度特征进行样式不变匹配和基于几何验证的发现方法来识别数据集中的重复模式。

    Mar, 2019

  • 面向大规模图像集合的无监督多目标发现

    该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。

    Jul, 2020

  • 零样本多模式艺术家控制的三维物体集检索和探索

    通过多模式输入，如 2D 草图、图片和文本从高质量的 3D 资产检索解决通常需要高度专业化技能才能手工设计和生成对象和其他资产模型的问题。

    Sep, 2022

  • 大规模艺术绘画分类：在正确的特征上学习正确的度量

    本文研究了如何提取适当的视觉特征，找到学习这些特征的最佳方法，进而学习绘画之间的相似度，探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题，并提出用于美学上的语义层预测，如预测绘画风格，流派和艺术家，实验结果表明该相似度测量方法适用于上述预测任务。

    May, 2015

  • 深度图像检索：学习全局图像表示以用于图像搜索

    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

  • 无监督风格适应艺术品识别

    本研究提出了一种计算机视觉系统的方法，用于无需有标签的数据来识别艺术图像中的物体，通过域适应和样式转移等技术来实现，无需大量的目标数据即可进行跨域对象识别及场景分类。

    Dec, 2018

  • 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

  • 室内视觉定位的深度密集局部特征匹配和车辆去除

    本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架，以消除车辆造成的虚假匹配，实现对室内停车场的定位，并在基准数据集上取得了 86.9% 的准确率，表现优于现有方法。

    May, 2022

  • 算法视角：利用目标检测促进艺术探索

    该研究论文通过设计和开发名为 SMKExplore 的交互应用程序，探索了如何将物体检测技术应用于大型数字艺术博物馆的藏品，以促进艺术的新型遇见和体验。研究通过浏览图像中检测到的物体，提供了一种新颖的无限探索方式，并讨论了将物体检测技术融入博物馆数字化的未来可能性。

    Mar, 2024

  • 从单张图像中盲目去除视觉图案

    该研究提出了一种基于深度学习的技术，用于消除互联网图片中带有叠加物或视觉图像的描述和装饰元素，实现了盲目消除不透明和半透明视觉图像的最新技术成果。

    Apr, 2019