AdapNet: 基于自适应噪声的低质量图像检索网络
计算机视觉与模式识别
2024-05-29 v1 机器学习
摘要
图像检索旨在使用给定查询图像在数据库中识别视觉上相似的图像。传统方法通常会提取图像的全局和局部特征进行匹配，可能还会应用重新排序技术来提高准确性。然而，这些方法往往未能考虑查询图像中存在的噪声，这些噪声可能源于自然因素或人为因素，从而负面影响检索性能。为缓解此问题，我们提出了低质量图像检索的一种新方法，提出一种自适应噪声网络（AdapNet）来学习鲁棒的抽象表示。具体而言，我们设计了一个训练以补偿输入图像中各种低质量因素的质量补偿模块。此外，我们引入一种创新的自适应噪声损失函数，该函数根据图像质量动态调整其对梯度的关注，从而在训练期间增强对未知噪声样本的学习并提高类内紧凑性。为评估性能，我们构建了两个低质量查询数据集，该数据集通过在标准 Revisited Oxford和Reversed Paris数据集上对干净查询图像应用各种类型噪声而构建。综合实验结果表明，AdapNet在Noise Revisited Oxford和Noise Revisited Paris基准上超越了最先进的方法，在高质量数据集上也保持了竞争性能。该代码和构建的数据集将公开提供。
引用
@article{arxiv.2405.17718,
title = {AdapNet: Adaptive Noise-Based Network for Low-Quality Image Retrieval},
author = {Sihe Zhang and Qingdong He and Jinlong Peng and Yuxi Li and Zhengkai Jiang and Jiafu Wu and Mingmin Chi and Yabiao Wang and Chengjie Wang},
journal= {arXiv preprint arXiv:2405.17718},
year = {2024}
}