基于数据集内部纯自监督学习的实例图像检索
计算机视觉与模式识别
2022-08-15 v1
摘要
高质量的特征表示是实例图像检索的关键。为此，现有方法通常借助在基准数据集上预训练的深度学习模型，甚至使用与任务相关的带标签辅助数据集对模型进行微调。尽管取得了可观的结果，该方法受限于两个问题：1) 基准数据集与给定检索任务数据集之间的领域鸿沟；2) 所需的辅助数据集难以直接获取。有鉴于此，本文探究了一种此前在实例图像检索中未被充分研究的不同思路：我们能否学习针对给定检索任务的特征表示，从而实现优异的检索？我们的发现令人鼓舞。通过添加目标提议生成器以产生图像区域用于自监督学习，所探究的方法能够成功学习针对给定数据集的检索特征表示。利用从数据集中挖掘的图像相似度信息对该表示进行增强，可使其更加有效。经实验验证，这种简单的“自监督学习 + 自增强”方法能够与相关的 SOTA 检索方法相媲美。消融实验展示了该方法的良好特性及其在跨数据集泛化上的局限。
引用
@article{arxiv.2208.06119,
title = {Instance Image Retrieval by Learning Purely From Within the Dataset},
author = {Zhongyan Zhang and Lei Wang and Yang Wang and Luping Zhou and Jianjia Zhang and Peng Wang and Fang Chen},
journal= {arXiv preprint arXiv:2208.06119},
year = {2022}
}