针对领域特定图像检索的优化：FAISS 与 Annoy 基准测试
计算机视觉与模式识别
2024-12-03 v1
摘要
近似最近邻搜索是许多应用中高规模数据检索性能的关键因素。本工作在特征提取与 ANN 索引之间架起了桥梁，通过对 ResNet50 模型进行微调，并结合各种 ANN 方法：FAISS 和 Annoy。我们依据索引时间、内存使用、查询时间、精度、召回率、F1 分数和 Recall@5 对系统进行评估。FAISS 的产品量化能够在 0.24 MB 的索引大小下实现 98.40% 的精度，内存使用低；Annoy 则是最快的，平均查询时间为 0.00015 秒，仅在准确率上有轻微牺牲。这些结果揭示了速度、准确率和内存效率之间的权衡，为优化基于特征的图像检索系统提供了可操作的见解。本研究将为构建实际检索管道提供蓝图，基于微调的深度学习网络和相关的 ANN 方法。
引用
@article{arxiv.2412.01555,
title = {Optimizing Domain-Specific Image Retrieval: A Benchmark of FAISS and Annoy with Fine-Tuned Features},
author = {MD Shaikh Rahman and Syed Maudud E Rabbi and Muhammad Mahbubur Rashid},
journal= {arXiv preprint arXiv:2412.01555},
year = {2024}
}