聚合深度卷积特征用于图像检索

近期的若干工作表明，深度卷积神经网络生成的图像描述子为图像分类与检索问题提供了最先进的性能。也有研究表明，卷积层的激活可以被解释为描述特定图像区域的局部特征。这些局部特征可以使用为局部特征开发的聚合方法（例如 Fisher 向量）进行聚合，从而提供新的强大全局描述子。本文中，我们研究聚合局部深度特征以产生用于图像检索的紧凑全局描述子的可能方式。首先，我们展示深度特征与传统手工设计的特征具有截然不同的成对相似性分布，因此现有的聚合方法必须被仔细重新评估。这样的重新评估揭示出，与浅层特征相反，基于求和池化（sum pooling）的简单聚合方法可以说为深度卷积特征提供了最佳性能。该方法高效、参数少，并且在例如学习 PCA 矩阵时过拟合风险小。总体而言，新的紧凑全局描述子显著改进了四个常用基准上的最先进水平。