面向细粒度基于草图图像检索的跨模态子空间学习
计算机视觉与模式识别
2017-05-30 v1
摘要
由于草图与照片之间固有的领域鸿沟，基于草图的图像检索（SBIR）具有挑战性。与照片像素级的完美描绘相比，草图是对真实世界的高度抽象的标志性渲染。因此，直接使用低层视觉线索来匹配草图与照片是不充分的，因为建立一个在两种模态间语义相通的公共低层子空间并非易事。现有的大多数 SBIR 研究并未直接处理这一跨模态问题。这自然促使我们探索已在图文匹配中成功应用的跨模态检索方法在 SBIR 中的有效性。在本文中，我们引入并比较了一系列最先进的跨模态子空间学习方法，并在最近发布的两个细粒度 SBIR 数据集上对其进行了基准测试。通过对实验结果的深入检验，我们证明了子空间学习能够有效地建模草图-照片领域鸿沟。此外，我们得出了一些关键见解以推动未来的研究。
引用
@article{arxiv.1705.09888,
title = {Cross-modal Subspace Learning for Fine-grained Sketch-based Image Retrieval},
author = {Peng Xu and Qiyue Yin and Yongye Huang and Yi-Zhe Song and Zhanyu Ma and Liang Wang and Tao Xiang and W. Bastiaan Kleijn and Jun Guo},
journal= {arXiv preprint arXiv:1705.09888},
year = {2017}
}
备注
Accepted by Neurocomputing