ExchNet：面向大规模细粒度图像检索的统一哈希网络
计算机视觉与模式识别
2020-08-05 v1
摘要
从大规模细粒度数据集中检索内容相关图像，可能因旨在区分细粒度对象细微视觉差异的高维实值嵌入而遭受难以忍受的慢查询速度与高度冗余的存储开销。本文研究新颖的细粒度哈希课题，为细粒度图像生成紧凑二进制码，利用哈希学习的搜索与存储效率缓解上述问题。具体而言，我们提出一个统一的端到端可训练网络，称为 ExchNet。基于注意力机制与所提注意力约束，它可首先分别获得局部与全局特征以表示对象部件与整体细粒度对象。此外，为确保这些部件级特征跨图像的判别能力与语义一致性，我们设计了一种通过执行特征交换操作实现的局部特征对齐方法。随后，采用交替学习算法优化整个 ExchNet 并生成最终二进制哈希码。大量实验验证，我们的方案在五个细粒度数据集上持续优于最先进的通用哈希方法，显示了有效性。此外，相较于其他近似最近邻方法，ExchNet 实现了最佳加速与存储缩减，揭示了其效率与实用性。
引用
@article{arxiv.2008.01369,
title = {ExchNet: A Unified Hashing Network for Large-Scale Fine-Grained Image Retrieval},
author = {Quan Cui and Qing-Yuan Jiang and Xiu-Shen Wei and Wu-Jun Li and Osamu Yoshie},
journal= {arXiv preprint arXiv:2008.01369},
year = {2020}
}
备注
Accepted by ECCV2020