Jun, 2023

基于图卷积的视觉检索高效重新排序

PDF
TL;DR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。
visual retrievalre-ranking approachesgraph convolution networksfeature propagationstate-of-the-art performances
发现论文，激发创造
  • 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

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 面向场景的图卷积网络在目标重新识别中的应用

    本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

    Dec, 2020

  • PH-GCN: 基于部分层次图卷积网络的人员再识别

    本文提出了一种名为 Part-based Hierarchical Graph Convolutional Network（PH-GCN）的深度学习框架，用于人物重识别问题。通过信息交互，PH-GCN 在全局、局部和结构特征学习上同时进行，提高了 Re-ID 的效果。

    Jul, 2019

  • 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

  • 标准比评级更有用：基于偏好感知的轻量图卷积，实现有效的多标准推荐

    本文设计了一种基于图神经网络的多标准推荐系统，能够精确地捕捉用户的标准偏好和复杂高阶联系中的协作信号，取得了比现有基准方法和基于图神经网络的方法更好的推荐效果。

    May, 2023

  • 图像检索的相关性验证

    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)。

    Apr, 2022

  • 用于推荐系统的图卷积嵌入

    本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法，通过构建多部分图来表示复杂的交互模式，并进一步使用图卷积网络（Graph Convolutional Networks）提高推荐系统的表现。

    Mar, 2021

  • GRN: 面向上下文的推荐生成重排网络

    本文提出了一种新的上下文感知再排序框架 —— 生成再排序网络（GRN），包括一个基于 Bi-LSTM 和自注意力机制的评估器和一个带有 GRU、注意力机制和指针网络的生成器，通过交叉熵损失和策略梯度来优化，实验结果表明，GRN 在推荐任务中的表现优于现有的基于点 / 列表的方法 5.2%~6.1%。

    Apr, 2021