利用少样本学习与相关性反馈推进图像检索
计算机视觉与模式识别
2023-12-19 v1
摘要
随着存储图像数量的巨大增长，在数据库中进行高效搜索已成为图像检索系统管理的关键任务。带有相关性反馈的图像检索 (IRRF) 涉及检索过程中迭代的人机交互，从而产生更有意义的结果。该过程通常可转化为一个二元分类问题，其中仅包含源自用户反馈的{\it 少量}标记样本。IRRF 任务呈现出独特的少样本学习特征，包括不平衡和非对称类别的二元分类，且均处于开放集机制下。在本文中，我们通过少样本学习方法的视角研究该任务。我们提出了一种基于超网络的新方案，该方案专为该任务量身定制，便于快速适应用户反馈。我们的方法的有效性通过在多个基准测试和两个补充任务上的全面评估得到验证，并得到了理论分析的支持。我们在 IRRF 中的 4 个不同数据集上展示了我们的模型相对于强基线的优势，同时也解决了多对象图像的检索问题。此外，我们表明我们的方法可以在少样本单类分类中达到最先进 (SoTA) 的结果，并在少样本开放集识别的二元分类任务中达到可比的结果。
引用
@article{arxiv.2312.11078,
title = {Advancing Image Retrieval with Few-Shot Learning and Relevance Feedback},
author = {Boaz Lerner and Nir Darshan and Rami Ben-Ari},
journal= {arXiv preprint arXiv:2312.11078},
year = {2023}
}
备注
A short version of this paper was presented in ICCV-Out Of Distribution Generalization on Computer Vision (OOD-CV) Workshop 2023. See also https://github.com/eccv22-ood-workshop/eccv22-ood-workshop.github.io/blob/new/camera_ready/CameraReady%2053.pdf