论图像检索中的训练-测试类别重叠与检测
计算机视觉与模式识别
2024-04-03 v1 人工智能
摘要
训练集和评估集在图像检索中不存在类别重叠有多重要？我们通过识别并移除与最流行的评估集Revisited Oxford和Paris [34]的类别重叠，重新审视最流行的训练集Google Landmarks v2 clean。通过在一个由复现的最先进方法组成的基准上比较原始RGLDv2-clean和新版本，我们的发现令人震惊。不仅性能大幅下降，而且不同方法之间的下降不一致，改变了排名。在索引时，如何专注于目标或兴趣点并忽略背景杂乱？我们需要分别训练目标检测器和表示吗？我们需要位置监督吗？我们引入了单阶段检测到检索（CiDeR），一个端到端的单阶段流水线，用于检测感兴趣的目标并提取全局图像表示。我们在现有训练集和新RGLDv2-clean上都超越了之前的最先进水平。我们的数据集可在https://github.com/dealicious-inc/RGLDv2-clean获取。
引用
@article{arxiv.2404.01524,
title = {On Train-Test Class Overlap and Detection for Image Retrieval},
author = {Chull Hwan Song and Jooyoung Yoon and Taebaek Hwang and Shunghyun Choi and Yeong Hyeon Gu and Yannis Avrithis},
journal= {arXiv preprint arXiv:2404.01524},
year = {2024}
}
备注
CVPR2024 Accepted