面向大规模图像检索的由不完整数据学习的迭代流形嵌入层
计算机视觉与模式识别
2018-04-04 v2
摘要
现有的流形学习方法不适用于图像检索任务，因为它们大多无法处理查询图像，并且尤其对于大规模数据库有很高的额外计算成本。因此，我们提出了迭代流形嵌入（IME）层，其权重通过无监督策略离线学习，以利用不完整数据探索内在流形。在包含27000张图像的大规模数据库上，IME层在查询时嵌入原始表示的速度比其他流形学习方法快120倍以上。我们在离线学习阶段，将位于高维空间流形上的数据库图像的原始描述符迭代地嵌入到基于流形的表示中，以生成IME表示。根据数据库图像的原始描述符和IME表示，我们通过岭回归估计IME层的权重。在在线检索阶段，我们使用IME层以可忽略的时间成本（2毫秒）映射查询图像的原始表示。我们在五个用于图像检索的公开标准数据集上进行了实验。所提出的IME层显著优于相关的降维方法和流形学习方法。在没有后处理的情况下，我们的IME层在大多数数据集上实现了对带有后处理的最先进图像检索方法的性能提升，并且需要的计算成本更低。
引用
@article{arxiv.1707.09862,
title = {Iterative Manifold Embedding Layer Learned by Incomplete Data for Large-scale Image Retrieval},
author = {Jian Xu and Chunheng Wang and Chengzuo Qi and Cunzhao Shi and Baihua Xiao},
journal= {arXiv preprint arXiv:1707.09862},
year = {2018}
}
备注
12 pages, 5 figures