用于图像实例检索的嵌套不变性池化与RBM哈希
计算机视觉与模式识别
2016-04-15 v2 信息检索
摘要
本工作的目标是计算用于图像实例检索的非常紧凑的二进制哈希码。我们的方法有两个新颖贡献。第一个是嵌套不变性池化（NIP），一种受i-theory启发的、用于通过前馈神经网络计算群不变变换的数学理论的方法。NIP能够利用从卷积神经网络提取的视觉表示生成紧凑且性能良好的描述子。我们特别地引入了尺度、平移和旋转不变性，但该方案可扩展至任意变换集合。我们还表明，在嵌套过程中使用递增阶数的矩是重要的。随后，NIP描述子通过一种带有专门为实现哈希目的而设计的新型批级正则化方案的受限玻尔兹曼机（Restricted Boltzmann Machine, RBMH）被哈希至目标码长（32-256比特）。与最先进方法的详尽实证评估表明，使用NIP描述子及NIP+RBMH哈希所获得的结果在广泛的数据集上始终表现出色。
引用
@article{arxiv.1603.04595,
title = {Nested Invariance Pooling and RBM Hashing for Image Instance Retrieval},
author = {Olivier Morère and Jie Lin and Antoine Veillard and Vijay Chandrasekhar and Tomaso Poggio},
journal= {arXiv preprint arXiv:1603.04595},
year = {2016}
}
备注
Image Instance Retrieval, CNN, Invariant Representation, Hashing, Unsupervised Learning, Regularization. arXiv admin note: text overlap with arXiv:1601.02093