面向实用图像拷贝检测的基准与非对称相似度学习
计算机视觉与模式识别
2022-12-05 v3
摘要
图像拷贝检测（ICD）旨在判断一幅查询图像是否为参考集中某图像的编辑副本。目前，ICD 的公开基准非常有限，且都忽视了现实应用中的一个关键挑战，即困难负查询的干扰。具体而言，某些查询并非编辑副本，却与某些参考图像天然相似。这些困难负查询很容易被误判为编辑副本，严重损害 ICD 精度。这一观察促使我们构建首个具有该特征的 ICD 基准。基于现有 ICD 数据集，本文通过分别在训练集和测试集中额外加入 100,000 和 24,252 个困难负样本对来构建新数据集。此外，本文进一步揭示了解决 ICD 中困难负样本问题的一个独特难点，即当前度量学习与 ICD 之间存在根本性冲突。该冲突为：度量学习采用对称距离，而编辑副本是一个非对称（单向）过程，例如，局部裁剪图接近其整体参考图像且是编辑副本，而后者不可能是前者的编辑副本（尽管距离同样很小）。这一洞见催生了非对称相似度学习（ASL）方法，其允许两个方向（查询图像 <-> 参考图像）的相似度彼此不同。实验结果表明，ASL 以明显优势超越 SOTA 方法，证实解决对称-非对称冲突对 ICD 至关重要。NDEC 数据集与代码见 https://github.com/WangWenhao0716/ASL。
引用
@article{arxiv.2205.12358,
title = {A Benchmark and Asymmetrical-Similarity Learning for Practical Image Copy Detection},
author = {Wenhao Wang and Yifan Sun and Yi Yang},
journal= {arXiv preprint arXiv:2205.12358},
year = {2022}
}
备注
Accepted to AAAI 2023