学习图像检索的超级特征

ICLRJan, 2022

Learning Super-Features for Image Retrieval

Philippe Weinzaepfel, Thomas Lucas, Diane Larlus, Yannis Kalantidis

TL;DR本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

Abstract

Methods that combine local and global features have recently shown excellent performance on multiple challenging deep image retrieval benchmarks, but their use of local features raises at least two issues. First,

deep image retrieval super-features mid-level features local features contrastive loss

发现论文，激发创造

图像搜索中深度局部和全局特征的统一

该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

Jan, 2020

全球特征对于图像检索和重排是必需的

通过利用全局特征实现精确且轻量级的图像检索，本研究提出了一种名为 SuperGlobal 的图像检索范式，通过精细的再排序阶段来提高性能，并在标准基准测试中取得了显著的改进。

Aug, 2023

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

深度卷积特征聚合的图像检索

本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

Oct, 2015

基于监督式中层特征的文字图像表示

本论文研究了对单词图像进行描述性、稳定性和紧凑性表示的问题，提出了一种基于学习本地中层特征的方法，并与最新的单词属性框架相结合，得到了可与全球描述符相媲美的结果。

Oct, 2014

深度本地描述符的学习与聚合在实例级别的识别中的应用

该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

Jul, 2020

局部特征和视觉单词在激活中出现

该研究提出了一种新颖的用于图像检索的深度空间匹配方法。该方法利用卷积神经网络激活函数提取图像描述符，同时采用一组局部特征来近似稀疏的三维激活张量，从而实现对张量最优对齐的稳健匹配，并在不需要任何网络修改、额外的网络层或训练、视觉聚类的情况下实现图像检索。该方法在多个基准测试中实现了最先进的性能。

May, 2019

具关注力的深度局部特征进行大规模图像检索

我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

Dec, 2016

用于视觉实例搜索的类加权卷积特征

本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

Jul, 2017

图像检索的基于选择性深度卷积特征

本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

Jul, 2017