用于生成高效图像检索二值码的优化特征空间学习
图像与视频处理
2020-01-31 v1 机器学习
摘要
本文提出一种学习低维优化特征空间的方法，该空间具有最小类内方差和最大类间方差。我们通过关注特征空间的全局统计特性，解决从神经网络提取的特征向量高维性问题。线性判别分析（LDA）的经典方法通常用于为单标签图像生成优化的低维特征空间。由于图像检索涉及多标签和单标签图像，我们利用 LDA 与典型相关分析（CCA）的等价性为单标签图像生成优化特征空间，并使用 CCA 为多标签图像生成优化特征空间。我们的方法在基于 CCA 的网络架构中将特征向量投影与标签向量相关联。神经网络最小化一个使相关系数最大化的损失函数。我们使用流行的迭代量化（ITQ）方法将生成的特征向量二值化，并提出了一种集成网络以生成所需比特长度的图像检索二值码。我们的平均精度均值度量在其它最先进的单标签和多标签图像检索数据集上显示出具有竞争力的结果。
引用
@article{arxiv.2001.11400,
title = {Optimized Feature Space Learning for Generating Efficient Binary Codes for Image Retrieval},
author = {Abin Jose and Erik Stefan Ottlik and Christian Rohlfing and Jens-Rainer Ohm},
journal= {arXiv preprint arXiv:2001.11400},
year = {2020}
}
备注
14 pages, 7 figures