大海捞针，且快：大规模图像感知相似度度量基准测试
计算机视觉与模式识别
2022-06-02 v1 性能
摘要
互联网的兴起及其后社交媒体的出现，使任何可访问者之间的信息消费与共享变得无处不在。由这一变化驱动的媒体消费演变，导致图像作为一种高效表达自我、传达信息与说服他人的手段而涌现。随着计算机视觉算法在过去十年的激进进展，大规模研究图像在在线信息流中的作用变得愈发容易。尽管研究问题与整体流程差异巨大，但几乎都始于关键的第一步——评估不同图像间的全局感知相似度。该初始步骤对整体流程性能至关重要且处理绝大多数图像。现有若干算法可用于执行此任务，但迄今尚无全面评述来指导研究者选择最契合其问题、假设与计算资源的算法。本文旨在填补此空白，表明经典计算机视觉方法未必是最佳途径，而一对较少使用的方法——Dhash 感知哈希与 SimCLR v2 ResNets——取得了优异性能，可良好扩展且计算高效。
引用
@article{arxiv.2206.00282,
title = {Needle In A Haystack, Fast: Benchmarking Image Perceptual Similarity Metrics At Scale},
author = {Cyril Vallez and Andrei Kucharavy and Ljiljana Dolamic},
journal= {arXiv preprint arXiv:2206.00282},
year = {2022}
}
备注
26 pages, 10 figures