学习散布式局部特征描述子
计算机视觉与模式识别
2017-08-22 v1
摘要
我们提出一种简单而强大的正则化技术，可用于显著改善局部特征描述子学习中的成对损失和三元组损失。其理念是，为充分利用描述子空间的表达能力，良好的局部特征描述子应在该空间上足够“散布”。本工作中，受均匀分布性质的启发，我们提出一个正则化项以最大化特征描述子中的散布程度。我们表明，所提出的正则化结合三元组损失大幅优于现有的基于欧氏距离的描述子学习技术。作为扩展，该正则化技术也可用于改进图像级的深度特征嵌入。
引用
@article{arxiv.1708.06320,
title = {Learning Spread-out Local Feature Descriptors},
author = {Xu Zhang and Felix X. Yu and Sanjiv Kumar and Shih-Fu Chang},
journal= {arXiv preprint arXiv:1708.06320},
year = {2017}
}
备注
ICCV 2017. 9 pages, 7 figures