面向带宽受限信息检索的基于矩阵分解的图像特征聚类
计算机视觉与模式识别
2016-05-10 v1
摘要
我们考虑准确高效地查询远程服务器以检索由移动设备捕获图像信息的问题。除降低传输开销与计算复杂度外，检索协议应对图像采集过程中的变化（如平移、旋转、缩放及传感器相关差异）具有鲁棒性。我们提出提取尺度不变图像特征，然后进行聚类以减少图像匹配所需特征数量。主成分分析（PCA）与非负矩阵分解（NMF）被研究作为候选聚类方法。数据库服务器的图像匹配复杂度关于（少量的）聚类数呈二次方，而非关于（极大量的）图像特征数。我们采用依赖于图像的信息内容度量来近似准确匹配所需的模型阶数（即聚类数），这优于通过试错设定模型阶数。我们展示了如何结合PCA与NMF因子载荷提供的假设，从而获得比单独使用任一方法更准确的检索。在城市图像数据库实验中，我们获得了89%的top-1检索准确率和92.5%的top-3准确率。
引用
@article{arxiv.1605.02140,
title = {Matrix Factorization-Based Clustering Of Image Features For Bandwidth-Constrained Information Retrieval},
author = {Jacob Chakareski and Immanuel Manohar and Shantanu Rane},
journal= {arXiv preprint arXiv:1605.02140},
year = {2016}
}
备注
6 Pages, 7 figures, ICMEWorkshop 2016