面向基于内容的图像检索的测试时增强学习
计算机视觉与模式识别
2022-07-26 v5
摘要
现成的卷积神经网络特征在许多图像检索任务中取得了优异的结果。然而，它们对目标数据的不变性是由网络架构和训练数据预先定义的。现有的图像检索方法需要对预训练网络进行微调或修改，以适应目标数据特有的变化。相比之下，我们的方法通过聚合测试时增强图像的提取特征来增强现成特征的不变性，其中增强由通过强化学习学到的策略引导。学到的策略为从图像变换列表中选定的变换分配不同的幅度和权重。策略使用度量学习协议进行评估，以学习最优策略。由于提出了一种离线缓存技术来大幅降低从增强图像中提取特征的计算成本，模型收敛迅速且每次策略迭代的成本极小。在大型商标检索（METU商标数据集）和地标检索（ROxford5k与RParis6k场景数据集）任务上的实验结果表明，学到的变换集成在提升性能方面极为有效，且实用、可迁移。
引用
@article{arxiv.2002.01642,
title = {Learning Test-time Augmentation for Content-based Image Retrieval},
author = {Osman Tursun and Simon Denman and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2002.01642},
year = {2022}
}