聚合二值局部描述子用于图像检索
计算机视觉与模式识别
2017-03-03 v2
摘要
基于局部特征的内容图像检索由于局部特征的提取和匹配复杂性而计算昂贵。一方面，最近提出的二值局部特征大幅降低了提取、表示和比较局部视觉描述子的成本。另一方面，聚合技术将图像提取的所有特征有意义地汇总为单一描述子，使我们能够加速和扩展图像搜索。最近只有少数工作混合了这两个研究方向，定义二值局部特征的聚合方法，以利用两种方法的优势。本文中，我们报告了应用于二值特征的最先进聚合方法的广泛比较。然后，我们数学形式化了Fisher核对伯努利混合模型的应用。最后，我们研究了聚合二值特征与新兴卷积神经网络(CNN)特征的组合。我们的结果显示二值特征上的聚合方法有效，并代表直接匹配的值得替代方案。此外，CNN与基于二值特征构建的Fisher向量(FV)组合使我们获得相对于CNN结果的相对改进，与最近使用CNN与基于SIFT的FV组合获得的改进一致。使用基于二值特征的FV的优势是二值特征提取过程比SIFT快约两个数量级。
引用
@article{arxiv.1608.00813,
title = {Aggregating Binary Local Descriptors for Image Retrieval},
author = {Giuseppe Amato and Fabrizio Falchi and Lucia Vadicamo},
journal= {arXiv preprint arXiv:1608.00813},
year = {2017}
}