ICCVSep, 2021

深度无监督图像检索的自监督产品量化

PDF
TL;DR提出了 “自我监督产品量化（SPQ）” 网络，它是一个无需标签、自我监督的深度学习图像检索方法，通过比较转换后的图像（视图）来学习深度视觉描述符和码字，分析图像的内容提取其描述性特征，实现准确的图像检索，实验表明在基准测试中得到了业内领先的结果，即使在没有有监督预训练的情况下。
deep learninghashimage retrievalunsupervised learningproduct quantization
发现论文，激发创造
  • 图像搜索和检索的端到端监督产品量化

    该研究提出了 Deep Product Quantization（DPQ）技术，通过学习二元表示，以图像检索和分类为例，具有与 Product Quantization 方法类似的计算复杂度和存储空间，并在多项检索和分类实验中取得了最新的卓越结果。

    Nov, 2017

  • 面向半监督图像检索的广义产品量化网络

    本研究提出了基于泛化乘积量化网络的半监督图像检索方案，通过设计新颖的度量学习策略提高量化网络的泛化能力，实现了对标记和未标记数据的充分利用，并在大规模图像基准数据集上展示了最先进的性能。

    Feb, 2020

  • SUBIC: 一种用于图片搜索的有监督结构化二进制编码

    本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失，本方法可以使学习到的编码具有结构性，并在单一和交叉领域分类、实例检索和类别检索等任务中，表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。

    Aug, 2017

  • 超越产品量化：深度渐进量化用于图像检索

    该论文介绍了一种用于大规模图像检索的深度渐进量化模型，该模型学习逐步逼近视觉特征的量化码，并且可以同时训练不同码长的量化码，实现了优于现有技术的图像检索效果。

    Jun, 2019

  • 基于弱监督的深度超球面量化图像检索

    通过利用弱标记图像和词嵌入技术，本研究提出了一种基于深度量化的弱监督超球面量化方法，能够有效地生成紧凑编码，并实现图像检索任务中的高性能表现。

    Apr, 2024

  • 相似性搜索的监督量化

    本文提出了一种压缩编码方法 —— 监督量化，该方法同时学习特征选择，将数据库点线性转换为低维判别子空间，并在转换空间中对数据点进行量化，使其不仅准确逼近转换点，而且在语义上是可分离的，该方法在几个标准数据集上的实验证明了其优于最先进的监督哈希和无监督量化算法。

    Feb, 2019

  • 图像搜索的深度球面量化

    本文提出了 Deep Spherical Quantization（DSQ）方法，通过多码本量化，使深度卷积神经网络生成监督和紧凑的二进制代码以实现高效图像搜索，并经过大量实验证明，DSQ 及其稀疏变体能以优于许多最先进的图像检索方法的形式生成语义可分的紧凑二进制代码。

    Jun, 2019

  • 通过预测视觉单词包学习表征

    本文提出了一种基于视觉词汇的自监督学习方法，通过将图像特征映射量化为视觉词汇，实现了对图像的分离表示，通过 Bag-of-Words 表示学习有用的下游图像理解特征，与类似自然语言领域的方法相比，该方法在目标检测和分类上表现出更好的迁移能力。

    Feb, 2020

  • 使用码内存的对比量化方法进行无监督图像检索

    本文提出了一种新颖的无监督深度量化方法，名为具有代码内存的对比量化（MeCoQ），该方法通过对比学习学习无监督二进制描述符，可以更好地捕获有区别的视觉语义并避免模型退化。实验结果显示，该方法在基准数据集上优于现有最先进的方法。

    Sep, 2021

  • 基于 Transformer 的剪裁对比量化学习用于无监督图像检索

    提出了 TransClippedCLR 模型，通过编码图像的全局上下文和局部上下文，使用产品量化生成哈希码，并通过剪切对比学习避免潜在的错误负对，实现了在基准数据集（包括 CIFAR10、NUS-Wide 和 Flickr25K）上无监督图像检索的卓越性能，相较于最新的深度模型，在所有数据集上使用所提出的剪切对比学习相比于使用相同基础网络的普通对比学习，取得了显著的改善。

    Jan, 2024