基于部分课程的交叉节奏表征学习用于草图检索图像
计算机视觉与模式识别
2018-08-01 v1
摘要
本文解决了为草图检索图像（SBIR）学习鲁棒跨域表示的问题。尽管大多数SBIR方法侧重于提取低层和中层描述子以进行直接特征匹配，近期工作已显示出学习耦合特征表示以描述来自两个相关源的数据的优势。然而，跨域表示学习方法通常被转化为难以优化的非凸最小化问题，导致不尽如人意的表现。受自节奏学习（一种通过以有意义顺序（即由易到难）利用样本来克服局部最优相关收敛问题的方法）启发，我们引入了交叉节奏部分课程学习（CPPCL）框架。与现有仅考虑单一模态且无法处理先验知识的自节奏学习方法相比，CPPCL专门设计用于通过联合处理双源数据与以部分课程形式提供的模态特定先验信息来评估学习节奏。此外，得益于所学字典，我们证明了所提CPPCL为SBIR嵌入了鲁棒的耦合表示。我们的方法在四个公开可用数据集（即CUFS、Flickr15K、QueenMary SBIR和TU-Berlin Extension数据集）上进行了广泛评估，显示出优于竞争SBIR方法的性能。
引用
@article{arxiv.1803.01504,
title = {Cross-Paced Representation Learning with Partial Curricula for Sketch-based Image Retrieval},
author = {Dan Xu and Xavier Alameda-Pineda and Jingkuan Song and Elisa Ricci and Nicu Sebe},
journal= {arXiv preprint arXiv:1803.01504},
year = {2018}
}