用于细粒度图像检索的选择性卷积描述子聚合
计算机视觉与模式识别
2017-07-14 v2
摘要
基于 ImageNet 分类任务预训练的深层卷积神经网络模型已成功应用于其他领域的任务，如纹理描述和目标提议生成，但这些任务需要新领域图像的标注。本文关注纯无监督设置下的一个新且具挑战性的任务：细粒度图像检索。即便有图像标签，细粒度图像也难以分类，更不用说无监督检索任务。我们提出选择性卷积描述子聚合（SCDA）方法。SCDA 首先定位细粒度图像中的主体对象，该步骤丢弃噪声背景并保留有用的深度描述子。随后，根据我们发现的最佳实践，将所选描述子聚合并降维为短特征向量。SCDA 是无监督的，不使用图像标签或边界框标注。在六个细粒度数据集上的实验证实了 SCDA 用于细粒度图像检索的有效性。此外，SCDA 特征的可视化显示它们对应于视觉属性（即使是细微属性），这可能解释了 SCDA 在细粒度检索中的高平均精度均值。而且，在通用图像检索数据集上，SCDA 取得了与最先进的通用图像检索方法相当的检索结果。
引用
@article{arxiv.1604.04994,
title = {Selective Convolutional Descriptor Aggregation for Fine-Grained Image Retrieval},
author = {Xiu-Shen Wei and Jian-Hao Luo and Jianxin Wu and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1604.04994},
year = {2017}
}
备注
IEEE Transactions on Image Processing (TIP), 2017, 26(6): 2868-2881