面向大规模图像检索的CNN特征索引
计算机视觉与模式识别
2018-02-02 v4
摘要
卷积神经网络(CNN)特征能够很好地描述图像内容，通常用唯一的全局向量表示图像。尽管与局部描述符相比它们更为紧凑，但由于线性增量计算和存储的成本，仍无法高效处理大规模图像检索。为解决此问题，我们构建了一个基于倒排表的简单而有效的索引框架，显著降低了搜索时间和内存使用。此外，在索引框架下充分研究了若干策略，使其适应CNN特征并补偿量化误差。首先，我们对查询和数据库图像使用多重分配，以增加相关图像通过聚类算法获得的同一 Voronoi 单元中共存的概率。然后，我们引入嵌入码，通过在搜索期间移除错误匹配来进一步提高精度。我们证明，通过使用哈希方案计算嵌入码并改变排序规则，索引框架的速度可大幅提升。在多个无监督和有监督基准上进行的广泛实验支持了这些结果以及所提索引框架的优越性。我们还对流行的CNN特征进行了公平比较。
引用
@article{arxiv.1508.00217,
title = {Indexing of CNN Features for Large Scale Image Search},
author = {Ruoyu Liu and Yao Zhao and Shikui Wei and Yi Yang},
journal= {arXiv preprint arXiv:1508.00217},
year = {2018}
}
备注
21 pages, 9 figures, submitted to Multimedia Tools and Applications