基于对抗学习的图像检索边界感知后向兼容表示
计算机视觉与模式识别
2023-05-05 v1
摘要
图像检索在互联网世界中扮演重要角色。通常，主流视觉检索系统的核心部分包括嵌入模型的在线服务与大规模向量数据库。对于传统模型升级，在新模型重算数据库中所有图像的嵌入之前，旧模型不会被新模型替换，这对海量数据需耗费数天或数周。近来，后向兼容训练（BCT）使新模型可直接与旧嵌入比较而立即上线部署。对于 BCT，在较小影响检索性能的前提下提升两模型兼容性是关键挑战。本文引入 AdvBCT，一种具有弹性边界约束的对抗后向兼容训练方法，同时兼顾兼容性与判别性。我们首先采用对抗学习最小化新模型与旧模型嵌入间的分布差异。同时，我们在训练中增加弹性边界约束以高效提升兼容性与判别性。在 GLDv2、Revisited Oxford (ROxford) 与 Revisited Paris (RParis) 上的大量实验表明，我们的方法在兼容性与判别性上均优于其他 BCT 方法。AdvBCT 的实现将公开于 https://github.com/Ashespt/AdvBCT。
引用
@article{arxiv.2305.02610,
title = {Boundary-aware Backward-Compatible Representation via Adversarial Learning in Image Retrieval},
author = {Tan Pan and Furong Xu and Xudong Yang and Sifeng He and Chen Jiang and Qingpei Guo and Feng Qian Xiaobo Zhang and Yuan Cheng and Lei Yang and Wei Chu},
journal= {arXiv preprint arXiv:2305.02610},
year = {2023}
}
备注
accepted by CVPR 2023