用于紧凑图像表示的物体级深度特征池化
计算机视觉与模式识别
2015-04-27 v1
摘要
卷积神经网络(CNN)特征在近期工作中已成功用作各种视觉任务的图像描述符。但深度CNN特征缺乏对几何变换和物体组合的不变性，这给图像检索带来很大挑战。本工作中，我们展示了物体性先验(objectness prior)在图像区域的深度CNN特征上的有效性，以获得不变的图像表示。所提方法将图像表示为描述底层物体的池化CNN特征向量。该表示对场景中物体的空间布局具有鲁棒性，并实现对一般几何变换（如平移、旋转和缩放）的不变性。所提方法还导致场景的紧凑表示，使每幅图像占用更小的内存足迹。实验表明，所提表示在一系列具有挑战性的基准图像数据集上取得了最先进的检索结果，同时保持紧凑表示。
引用
@article{arxiv.1504.06591,
title = {Object Level Deep Feature Pooling for Compact Image Representation},
author = {Konda Reddy Mopuri and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1504.06591},
year = {2015}
}
备注
Deep Vision 2015