深度特征的微分几何检索

比较图像以从图像库存中推荐物品是一个持续受到关注的研究课题。随着深度学习架构可扩展性的提升，以往手工设计特征的“人工”工作已得到极大缓解，图像可以根据深度卷积神经网络生成的特征进行比较。在本文中，我们比较了距离度量（及散度），以对神经网络生成的特征进行排序，用于基于内容的图像检索。具体而言，在使用混合模型近似或稀疏协方差估计器对单张图像进行建模后，我们采用了信息论与黎曼几何的比较方法。我们表明，使用混合模型近似使我们能够计算基于Wasserstein度量的距离度量，其计算量小于其他计算密集型的最优传输方案；最后，我们使用仿射不变度量将最优传输度量与其黎曼几何对应物进行比较——我们得出结论，尽管计算成本高昂，基于Wasserstein几何的检索度量比图像的信息论比较更为合适。简而言之，我们将学习深度特征向量时的GPU可扩展性与统计高效的度量相结合，我们预见这将被应用于商业场景中。