属性分组和挖掘哈希在细粒度图像检索中的应用
本研究提出了一种面向大规模细粒度图像检索的属性感知哈希网络,通过生成属性感知哈希码,既能提高检索效率,又能建立哈希码和视觉属性之间的明确对应关系。在无监督的条件下,通过注意力捕获视觉表征并开发一个编码器 - 解码器结构网络的重构任务,从外观特定的视觉表征中提取高层次的属性特定向量,进一步通过特征去相关性约束来增强它们的代表性。通过保持原始实体的相似性,可以从这些属性特定向量生成所需的哈希码,从而成为属性感知的哈希码。在六个细粒度检索数据集和两个通用检索数据集上进行了全面的定量实验证明了我们模型相对于竞争方法的优越性。
Nov, 2023
本文提出一种新颖的 Attribute-Aware Attention Model(A^3M)模型,可以同时学习局部属性表示和全局类别表示,通过属性 - 类别互惠过程,从而更好地提取图像中的固有信息,以实现更好的图像识别效果。
Jan, 2019
本文提出了一种新颖的框架,其中功能聚合和哈希同时设计并联合优化,目的是生成更具区分度的二进制哈希码从而提高图像的检索精度。同时,我们还提出了一个快速版本的二进制自编码器用于我们的提出的框架中。在多个基准数据集上进行的广泛检索实验表明,所提出的框架显著改善了最先进技术水平。
Apr, 2017
提出了一种查询自适应的深度加权哈希方法(QaDWH),通过加权汉明距离,可以对不同查询进行细粒度排名的细节图像检索方法,并在四个广泛使用的数据集上展示了其超越八个现有最先进哈希方法的实验结果。
Dec, 2016
本文提出了一种利用人工注释属性的属性引导注意力模块 (AGAM),以实现更具有区分性的特征学习,从而改善仅使用视觉信息的查询集的特征选择,达到了不同数据集和设置下的最先进性能。
Sep, 2020
本文介绍了如何通过应用注意机制和广义平均池化将卷积神经网络提取的图像描述符聚合为全局描述符,提高检索结果,并在 ROxford5k 和 RParis6k 这两个检索基准上获得了显着的性能提升。
Nov, 2018
本研究提出了一种属性引导的多层注意力网络(AG-MLAN),能够在指定属性的引导下更准确地定位属性位置和捕捉区分性特征,并通过对深度时尚、FashionAI 和 Zappos50k 数据集上的实验验证了其在细粒度时尚相似度学习和属性引导检索任务中的有效性。该模型在细粒度时尚相似度检索任务中的表现超过了现有最优方法。
Dec, 2022
本研究采用深层卷积神经网络处理复杂的图像应用场景,并使用无监督神经网络技术进行细节图像检索,该方法可以通过精细的图像特征聚合和维度降低来识别细节,而不需要过多标注信息。
Apr, 2016
该研究通过属性指导下的注意力定位方案设计新的奖励策略,使用强化学习算法定位具有空间和语义区别的局部特征区域,从而在精细识别和属性识别方面超越了传统基于部件的方法。
May, 2016