CVPRApr, 2022

图像检索的相关性验证

PDF
TL;DR本研究提出了一种名为 Correlation Verification Networks (CVNet) 的图像检索网络，包括深度堆叠的 4D 卷积层，以及横跨多个尺度的特征金字塔和特征相关结构，并使用课程学习与硬负采样和 “捉迷藏” 策略处理困难样本，其表现优于现有方法 (+12.6% in mAP on ROxford-Hard+1M set)。
geometric verificationimage retrievalcorrelation verification networksconvolutional layerscurriculum learning
发现论文，激发创造
  • 通过密集像素匹配进行几何图像对应验证

    本文针对在图像检索中几何对应验证，提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型，并通过实验证明了该模型具有竞争力。此外，将该方法应用于长期视觉本地化问题，并在跨数据集上进行了验证。

    Apr, 2019

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 深度卷积神经网络的视觉实例检索

    本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性，并通过利用多尺度图像特征提取方案，特别地，通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征，实验结果表明，如果对其进行适当提取，那么通用卷积网络图像表示法可优于其他先进方法。

    Dec, 2014

  • 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

  • 理解图神经网络视角下的图像检索再排序

    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。

    Dec, 2020

  • 通过联合表示学习实现的人员再识别深度排名

    该论文提出了一种应对分布式多摄像头监控系统中人员再识别任务的新方法，通过建立统一的深度排名框架来解决特征工程和评价设计的问题，并提出了一种有效的深度卷积神经网络来解决相似度得分的相关性，在 VIPeR, CUHK-01 和 CAVIAR4REID 数据集上比传统方法和基于 CNN 的方法表现显著优于所有最先进方法，具有更好的泛化能力。

    May, 2015

  • 通过表面重建学习实现可匹配的图像检索

    该论文提出了一种基于卷积神经网络的图像检索方法，采用三元组损失函数和表面重投影技术，获得了丰富的训练数据和有效的表征。该方法可用于 3D 重建中匹配图像检索问题，优于当前主流方法，显著加速了图像检索过程。

    Nov, 2018

  • 组相关立体网络

    本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

    Mar, 2019

  • SCNet：学习语义对应性

    本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

    May, 2017

  • 比较器网络

    本文设计了一种新型神经网络结构，称为 Deep Comparator Network，实现面部图像的两两比较，以得到相似度。经过较大规模测试集的比较，该方法明显优于以往技术并可以广泛应用于面部识别。

    Jul, 2018