学习用于多示例图像检索的鲁棒哈希码
计算机视觉与模式识别
2017-03-17 v1
摘要
在本文中，我们首次引入了一种多示例（MI）深度哈希技术，用于在弱包级监督下学习具有判别力的哈希码，适用于大规模检索。我们通过一个专用的MI池化层聚合跨包成员的深度学习的层次化表示来学习此类哈希码。为了获得更好的可训练性和检索质量，我们提出了一种双管齐下的方法，包括鲁棒优化和与一个辅助的单示例哈希分支进行训练，该分支的作用逐渐减弱。我们将肿瘤评估的检索视为一个MI问题，因为肿瘤通常与良性肿块共存，并且当从不同的解剖视角扫描时可能表现出互补的特征。在基准乳腺X线摄影和组织学数据集上的实验验证表明，与最先进的方法相比，检索性能有所提高。
引用
@article{arxiv.1703.05724,
title = {Learning Robust Hash Codes for Multiple Instance Image Retrieval},
author = {Sailesh Conjeti and Magdalini Paschali and Amin Katouzian and Nassir Navab},
journal= {arXiv preprint arXiv:1703.05724},
year = {2017}
}
备注
10 pages, 7 figures, under review at MICCAI 2017