面向域自适应检索的概率加权紧凑特征
计算机视觉与模式识别
2020-03-09 v1
摘要
域自适应图像检索包括单域检索和跨域检索。现有大多数图像检索方法仅关注单域检索，其假设检索数据库与查询的分布相似。然而，在实际应用中，通常在理想光照/姿态/背景/相机条件下获取的检索数据库与通常在非受控条件下获得的查询之间的差异非常大。本文考虑实际应用，聚焦于具有挑战性的跨域检索。为解决该问题，我们提出一种名为概率加权紧凑特征学习(PWCF)的有效方法，其提供域间相关性引导以提升跨域检索精度，并学习一系列紧凑二值码以提高检索速度。首先，我们通过最大后验估计(MAP)：贝叶斯视角(BP)诱导的聚焦三元组损失、BP诱导量化损失和BP诱导分类损失推导损失函数。其次，我们提出域间公共流形结构以挖掘跨域潜在关联。考虑到原始特征表示因域间差异而存在偏置，流形结构难以构建，因此我们从样本统计角度提出名为邻域直方图特征(HFON)的新特征。在多个基准数据库上的大量实验验证了我们的方法在域自适应图像检索上优于许多最先进(state-of-the-art)的图像检索方法。源代码见https://github.com/fuxianghuang1/PWCF
引用
@article{arxiv.2003.03293,
title = {Probability Weighted Compact Feature for Domain Adaptive Retrieval},
author = {Fuxiang Huang and Lei Zhang and Yang Yang and Xichuan Zhou},
journal= {arXiv preprint arXiv:2003.03293},
year = {2020}
}
备注
Accepted by CVPR 2020; The source code is available at https://github.com/fuxianghuang1/PWCF