基于贝叶斯合并多个词汇表以实现可扩展图像检索

词袋 (BoW) 表示在近期的图像检索工作中得到了广泛应用。通常会生成多个词汇表以纠正量化瑕疵并提高召回率。然而，这一做法受词汇间相关性（即不同词汇表之间的重叠）的影响，导致该例程被破坏。词汇相关性导致被索引特征在重叠区域（即交叉集）中被多次计数，从而损害检索准确性。为解决这一相关性问题同时保持高召回率的优势，本文提出了一种贝叶斯合并方法，用于对交叉集中被索引特征进行降权。在概率视角下显式建模相关性问题，可估计交叉集中被索引特征在图像层面和特征层面的联合相似度。我们通过在三个基准数据集上的大量实验评估了该方法。尽管方法简单，贝叶斯合并可广泛应用于各种合并任务，并且始终提高了多词汇表合并的基准方法。在时间和内存成本方面，贝叶斯合并也具有高效特点，与最先进的方法相比性能竞争力强。