基于深度三元组分类孪生网络的实例级草图检索
计算机视觉与模式识别
2019-05-28 v2
摘要
草图已被用作表达物体抽象与直观含义的有效交流工具。识别手绘草图在许多现实应用中极为有用。尽管基于内容的草图识别已被研究数十年，实例级基于草图的图像检索（Sketch-Based Image Retrieval, SBIR）任务近年来引起了显著的研究关注。现有数据集如 QMUL-Chair 和 QMUL-Shoe 聚焦于椅子和鞋子的检索任务。然而，先前的实例级 SBIR 工作存在若干关键局限。当前最优方法不得不严重依赖预训练过程、边缘图质量、多裁剪测试策略以及草图图像增广。为高效解决实例级 SBIR，我们提出一种新的深度三元组分类孪生网络（DeepTCNet），其采用 DenseNet-169 作为基础特征提取器，并通过三元组损失与分类损失进行优化。关键在于，我们提出的 DeepTCNet 能够打破先前工作中存在的局限。在五个基准草图数据集上的大量实验验证了所提模型的有效性。此外，为研究基于草图的发型检索任务，本文贡献了一个新的实例级照片-草图数据集——Hairstyle Photo-Sketch 数据集，其由 3600 张草图与照片以及 2400 对草图-照片组成。
引用
@article{arxiv.1811.11375,
title = {Instance-level Sketch-based Retrieval by Deep Triplet Classification Siamese Network},
author = {Peng Lu and Hangyu Lin and Yanwei Fu and Shaogang Gong and Yu-Gang Jiang and Xiangyang Xue},
journal= {arXiv preprint arXiv:1811.11375},
year = {2019}
}
备注
we will significantly change the content of this paper which makes it another paper. In order not to misleading, we decide to withdraw it now