面向基于内容的图像检索的区域卷积激活深度聚合
计算机视觉与模式识别
2019-09-25 v2 信息检索
机器学习
摘要
基于深度学习的图像检索的关键挑战之一在于将卷积激活聚合为一个高度代表性的特征向量。理想情况下，该描述子应编码语义、空间和低级信息。尽管现成的预训练神经网络结合聚合方法已经可以产生良好的表示，但针对图像检索任务进行适当的微调已被证明能显著提升检索性能。在本文中，我们提出了一种简单而有效的、建立在现有区域池化方法之上的有监督聚合方法。除了给定区域的最大激活外，我们还计算所提取特征图的区域平均激活。随后，学习每个池化特征向量的权重，以执行加权聚合并得到单个特征向量。此外，我们应用新提出的 NRA 损失函数进行深度度量学习，以微调骨干神经网络并学习聚合权重。我们的方法在 INRIA Holidays 数据集上取得了最先进的结果，在 Oxford Buildings 和 Paris 数据集上取得了有竞争力的结果，同时显著缩短了训练时间。
引用
@article{arxiv.1909.09420,
title = {Deep Aggregation of Regional Convolutional Activations for Content Based Image Retrieval},
author = {Konstantin Schall and Kai Uwe Barthel and Nico Hezel and Klaus Jung},
journal= {arXiv preprint arXiv:1909.09420},
year = {2019}
}