最小化目标检索中的匹配查询数量

为了提高基于兴趣点的目标检索的计算效率，研究人员在改进基于 kNN 的特征匹配效率方面投入了大量精力，力求在几分之一秒内将数千个特征与数据库进行匹配。然而，由于图像特征的高维特性降低了索引结构的有效性（维度灾难），以及图像数据库中存储的特征数量巨大（图像通常由多达数千个特征表示），这一终极目标需要以查询运行时间换取查询精度。在本文中，我们探讨了一种与索引互补的方法，通过仅查询最有前景的关键点描述符来改善检索运行时间，因为这会线性影响匹配运行时间，从而可以提高效率。由于这种 kNN 查询数量的减少会减少暂定对应点的数量，因此通过一个额外的图像级对应点生成阶段来最小化查询精度的损失，该阶段的计算性能独立于底层索引结构。我们使用 SIFT 和最先进的二值描述符在各种数据集上评估了标准识别流程的这种适应性。我们的结果表明，只要考虑到增加查询召回率（通过仔细选择 k）和 MAP（使用图像级对应点生成）的替代方法，减少查询描述符的数量并不一定意味着结果质量的降低。