压裂式深度卷积图像描述子学习
计算机视觉与模式识别
2015-02-27 v2
摘要
本文提出一种新颖的判别式局部图像描述子学习框架。为此，我们探索了一种深度卷积神经网络（CNN）的孪生架构，并在描述子间的L2距离上使用合页嵌入损失。由于孪生架构使用图像块对而非单个图像块进行训练，因此存在大量正样本和指数级数量的负样本。我们提出通过对训练集进行随机采样，并结合对正负样本均采用的激进挖掘策略（我们称之为“压裂”）来探索这一空间。我们对架构超参数进行了全面评估，并展示了相较于标准CNN学习策略、手工设计的图像描述子（如SIFT）以及学习型描述子的当前最优方法的显著性能提升：在精确率-召回率曲线的曲线下面积（AUC）指标上，相较于SIFT最高提升2.5倍，相较于当前最优方法最高提升1.5倍。
引用
@article{arxiv.1412.6537,
title = {Fracking Deep Convolutional Image Descriptors},
author = {Edgar Simo-Serra and Eduard Trulls and Luis Ferraz and Iasonas Kokkinos and Francesc Moreno-Noguer},
journal= {arXiv preprint arXiv:1412.6537},
year = {2015}
}