SEMICON：一种用于大规模细粒度图像检索的学习哈希方案
计算机视觉与模式识别
2022-09-29 v1
摘要
在本文中，我们提出基于抑制增强掩码注意力与交互通道变换（SEMICON）来学习二值哈希码，以处理大规模细粒度图像检索任务。在 SEMICON 中，我们首先开发基于抑制增强掩码（SEM）的注意力，以动态定位判别性图像区域。更重要的是，不同于现有注意力机制简单地擦除先前的判别性区域，我们的 SEM 被发展为抑制这些区域，然后通过以阶段式方式考虑激活区域之间的关系来发现其他互补区域。在每个阶段中，随后设计交互通道变换（ICON）模块以利用被关注激活张量的通道间相关性。由于通道通常可对应于细粒度物体的部件，部件相关性也可相应建模，这进一步提高了细粒度检索精度。此外，为计算经济，ICON 通过高效的两步过程实现。最后，我们的 SEMICON 的哈希学习由全局和局部两级分支组成，以更好地表示细粒度物体，然后显式生成对应于多个级别的二值哈希码。在五个基准细粒度数据集上的实验显示了我们相对于对比方法的优越性。
引用
@article{arxiv.2209.13833,
title = {SEMICON: A Learning-to-hash Solution for Large-scale Fine-grained Image Retrieval},
author = {Yang Shen and Xuhao Sun and Xiu-Shen Wei and Qing-Yuan Jiang and Jian Yang},
journal= {arXiv preprint arXiv:2209.13833},
year = {2022}
}
备注
ECCV 2022