多全局描述子组合用于图像检索
计算机视觉与模式识别
2020-04-24 v4 信息检索
机器学习
摘要
近期图像检索任务的研究表明，集成不同模型并组合多个全局描述子可提升性能。然而，为集成训练不同模型不仅困难，而且在时间和内存方面效率低下。本文提出一种新颖框架，利用多个全局描述子获得集成效果，同时可以端到端方式训练。该框架在全局描述子、CNN 骨干网络、损失函数和数据集方面灵活且可扩展。此外，我们通过定量与定性分析研究了组合多个全局描述子的有效性。大量实验表明，组合描述子优于单一全局描述子，因其能利用不同类型的特征属性。在基准评估中，所提框架在 CARS196、CUB200-2011、In-shop Clothes 和 Stanford Online Products 的图像检索任务上取得了最先进（state-of-the-art, SOTA）性能。我们的模型实现与预训练模型已公开可用。
引用
@article{arxiv.1903.10663,
title = {Combination of Multiple Global Descriptors for Image Retrieval},
author = {HeeJae Jun and Byungsoo Ko and Youngjoon Kim and Insik Kim and Jongtack Kim},
journal= {arXiv preprint arXiv:1903.10663},
year = {2020}
}