从特定领域成对图像比较中快速概率性地学习兴趣度
计算机视觉与模式识别
2020-05-25 v3 机器人学
摘要
大量工作旨在发现用于视觉搜索和信息检索的大型通用图像兴趣度或可记忆性模型。本文认为，图像兴趣度通常具有领域和用户特定性，并且尽可能快速地学习这种特定领域图像兴趣度同时限制所需数据标注量的高效机制，通常对最终用户更有用。本工作使用成对图像比较来减轻这些用户的标注负担，并引入了一种图像兴趣度估计方法，其性能与使用成对排序损失训练的、依赖大量数据的近期深度学习方法相似。在这里，我们使用 Gaussian process 模型，对使用预训练卷积神经网络提取的图像特征，对利用 Bayesian 排序方法推断出的图像兴趣度进行插值。结果表明，在高维图像特征空间中拟合 Gaussian process 不仅在计算上可行，而且在广泛的领域内有效。所提出的概率性兴趣度估计方法产生附带不确定性的图像兴趣度，可用于识别需要额外标注的图像并测量推断收敛性，从而实现样本高效的主动模型训练。重要的是，该概率性公式在标注数据有限时能够实现有效的视觉搜索和信息检索。
引用
@article{arxiv.1706.05850,
title = {Rapid Probabilistic Interest Learning from Domain-Specific Pairwise Image Comparisons},
author = {Michael Burke and Siyabonga Mbonambi and Purity Molala and Raesetje Sefala},
journal= {arXiv preprint arXiv:1706.05850},
year = {2020}
}