用于实例级识别的深度局部描述子学习与聚合
计算机视觉与模式识别
2020-07-28 v1
摘要
我们提出了一种用于实例级识别的深度局部描述子的高效学习方法。该训练仅需正负图像对样本，并以求和池化的全局图像描述子的度量学习方式进行。在推理阶段，局部描述子由网络内部组件的激活提供。我们解释了为何这种方法学习到的局部描述子能结合经典的高效匹配核方法，在图像相似性估计中表现良好。实验验证研究了基于匹配核的 SOTA 图像检索方法在性能与内存需求之间的权衡。与现有局部描述子相比，所提描述子在两个实例级识别任务中表现更优，且保持了更低的内存需求。我们通过实验表明，全局描述子在大规模场景下不够有效，局部描述子是不可或缺的。我们达到了 SOTA 性能，在某些情况下，即使主干网络小至 ResNet18 也能实现。
引用
@article{arxiv.2007.13172,
title = {Learning and aggregating deep local descriptors for instance-level recognition},
author = {Giorgos Tolias and Tomas Jenicek and Ondřej Chum},
journal= {arXiv preprint arXiv:2007.13172},
year = {2020}
}
备注
ECCV 2020