基于域感知SE网络与乘性欧氏间隔Softmax的草图图像检索
计算机视觉与模式识别
2021-07-27 v2
摘要
本文提出一种用于草图图像检索（SBIR）的新方法，其关键在于缩小草图与照片在数据表示上的差距。受近年来通道注意力机制的启发，我们提出一种域感知压缩激励（DASE）网络，该网络将样本草图或照片的先验知识无缝融入SE模块，使SE模块能够根据域信号强调相应通道。据此，所提网络可切换其模式，以更低的类内差异获得更好的域特征。此外，先前工作仅关注最小化类内距离与最大化类间距离，我们引入一种名为乘性欧氏间隔Softmax（MEMS）的损失函数，其将乘性欧氏间隔引入特征空间，并确保最大类内距离小于最小类间距离。这有助于学习高度判别性的特征空间并保证更精准的图像检索结果。我们在两个广泛使用的SBIR基准数据集上进行了充分实验。我们的方法在两个数据集上均取得更优结果，大幅超越SOTA方法。
引用
@article{arxiv.1812.04275,
title = {Domain-Aware SE Network for Sketch-based Image Retrieval with Multiplicative Euclidean Margin Softmax},
author = {Peng Lu and Gao Huang and Hangyu Lin and Wenming Yang and Guodong Guo and Yanwei Fu},
journal= {arXiv preprint arXiv:1812.04275},
year = {2021}
}
备注
Accepted in ACMMM 21