用于图像检索的卷积块表示：一种无监督方法
计算机视觉与模式识别
2016-03-02 v1
摘要
卷积神经网络 (CNN) 最近受到大量关注，因为在有监督地学习所有模型参数时，它们能够以多尺度方式对自然图像中的局部平稳结构建模。尽管在拥有大量标记视觉数据时，图像分类取得了优异性能，但迄今为止其在无监督任务（如图像检索）上的成功有限。我们的论文关注后一种设定，并探索了几种无监督学习块描述符的方法，应用于匹配和实例级检索。为此，我们提出了一类新的用于块表示的卷积描述符，基于最近引入的卷积核网络。我们表明，我们的描述符名为 Patch-CKN，性能优于 SIFT 以及通过人为引入监督学习得到的其他卷积网络，且训练速度显著更快。为证明其有效性，我们在用于块和图像检索的标准基准上进行了广泛评估，获得了最先进的结果。我们还引入了一个名为 RomePatches 的新数据集，可同时研究块和图像检索的描述符性能。
引用
@article{arxiv.1603.00438,
title = {Convolutional Patch Representations for Image Retrieval: an Unsupervised Approach},
author = {Mattis Paulin and Julien Mairal and Matthijs Douze and Zaid Harchaoui and Florent Perronnin and Cordelia Schmid},
journal= {arXiv preprint arXiv:1603.00438},
year = {2016}
}