基于深度模板匹配的对象级定向筛选
计算机视觉与模式识别
2022-07-06 v1
摘要
检索与查询图像中感兴趣对象（OOI）语义相似的对象所在图像具有许多实际用途。若干例子包括修正学习模型的假阴性/假阳性等失败，或缓解数据集中的类别不平衡。该定向筛选任务需要从大规模无标签数据池中找出相关数据。此规模下人工挖掘不可行。此外，OOI 通常较小且占图像面积不足 1%、存在遮挡，并与杂乱场景中许多语义不同的对象共存。现有语义图像检索方法常聚焦于挖掘较大尺寸的地理地标，和/或需要额外标签数据（如含相似图像的图像对）来挖掘含通用对象的图像。我们提出一种在 DNN 特征空间中的快速鲁棒模板匹配算法，可从大规模无标签数据池中在对象级检索语义相似图像。我们将查询图像中 OOI 周围区域投影至 DNN 特征空间作为模板。这使得我们的方法可专注于 OOI 的语义而无需额外标签数据。在自动驾驶背景下，我们利用目标检测器的失败案例作为 OOI 来评估我们的定向筛选系统。我们在含 2.2M 图像的大规模无标签数据集上展示了其效力，并在挖掘含小尺寸 OOI 的图像中表现出高召回率。我们将方法与同样无需额外标签数据的知名语义图像检索方法进行比较。最后，我们表明我们的方法具有灵活性，可无缝检索含一个或多个语义不同共现 OOI 的图像。
引用
@article{arxiv.2207.01778,
title = {Object-Level Targeted Selection via Deep Template Matching},
author = {Suraj Kothawade and Donna Roy and Michele Fenzi and Elmar Haussmann and Jose M. Alvarez and Christoph Angerer},
journal= {arXiv preprint arXiv:2207.01778},
year = {2022}
}
备注
In Proceedings of the Intelligent Vehicles Symposium, IV 2022