探究视觉Transformer模型在图像检索任务中的应用
计算机视觉与模式识别
2021-01-12 v1 信息检索
机器人学
摘要
本文提出了一种即插即用的描述子，可有效用于图像检索任务，无需先验初始化或准备。该描述方法利用近期提出的Vision Transformer网络，且不需要任何训练数据来调整参数。近年来，在图像检索任务中，基于卷积神经网络（CNN）的方法已非常成功地取代了手工设计的全局与局部描述子。然而，本文在多个基准数据集上针对文献中36种最先进（SOTA）描述子开展的实验评估表明，一个不含卷积层的神经网络（如Vision Transformer）能够构建全局描述子并取得具有竞争力的结果。由于无需微调，所提方法的低复杂度鼓励将该架构作为图像检索基线模型采用，以取代传统且被广泛采用的基于CNN的方法，并开启图像检索方法的新纪元。
引用
@article{arxiv.2101.03771,
title = {Investigating the Vision Transformer Model for Image Retrieval Tasks},
author = {Socratis Gkelios and Yiannis Boutalis and Savvas A. Chatzichristofis},
journal= {arXiv preprint arXiv:2101.03771},
year = {2021}
}