DeDrift：内容漂移下的鲁棒相似搜索
计算机视觉与模式识别
2023-08-08 v1
摘要
由于季节、社会与技术因素，媒体共享站点上上传与搜索内容的统计分布随时间变化。我们研究了这种“内容漂移”对基于嵌入空间最近邻搜索的大规模相似搜索工具的影响。除非频繁执行代价高昂的索引重建，否则内容漂移会降低搜索准确率与效率。由于查询与数据库分布通常均发生变化，退化尤为严重。我们引入并分析了具有长时间周期时间信息的真实世界图像与视频数据集。基于这些发现，我们设计了 DeDrift，一种更新嵌入量化器以实时持续适应大规模索引结构的方法。DeDrift 几乎消除了由查询与数据库内容漂移引起的准确率退化，同时比完整索引重建快达 100 倍。
引用
@article{arxiv.2308.02752,
title = {DeDrift: Robust Similarity Search under Content Drift},
author = {Dmitry Baranchuk and Matthijs Douze and Yash Upadhyay and I. Zeki Yalniz},
journal= {arXiv preprint arXiv:2308.02752},
year = {2023}
}
备注
ICCV2023