基于无监督三元组哈希的图像检索微小描述子
信息检索
2015-11-11 v1 计算机视觉与模式识别
机器学习
摘要
典型的图像检索流程始于比较大型数据库的全局描述子以找到候选匹配短列表。良好的图像描述子是检索流程的关键，应调和两个矛盾需求：提供尽可能高的召回率，以及尽可能紧凑以实现快速匹配。继深度卷积神经网络（DCNN）在大规模图像分类中近期取得成功，从 DCNN 提取的描述子正日益取代传统手工描述子（如 Fisher Vectors (FV)），并取得更优检索性能。然而，典型 DCNN 描述子——无论提取自视觉特征金字塔还是全连接层——的维度仍高达数千标量值。本文提出无监督三元组哈希（UTH），一种完全无监督的方法，用于从高维全局描述子计算极度紧凑的二进制哈希——在 32-256 位范围内。UTH 包含连续两步深度学习。首先，使用堆叠受限玻尔兹曼机（SRBM，一种无监督深度神经网络）学习二进制嵌入函数，能将描述子大小降至所需比特率。SRBM 通常能以牺牲原始 DCNN 描述子空间某些期望度量特性为代价确保极高压缩率。随后，使用三元组网络（一种基于权共享网络的排序学习方案）微调二进制嵌入函数，以尽可能保留原始空间的有用度量特性。在多个公开数据集上使用 DCNN 描述子进行的详尽实证评估表明，我们的方法在目标比特范围内能显著优于最先进的无人监督方案。
引用
@article{arxiv.1511.03055,
title = {Tiny Descriptors for Image Retrieval with Unsupervised Triplet Hashing},
author = {Jie Lin and Olivier Morère and Julie Petta and Vijay Chandrasekhar and Antoine Veillard},
journal= {arXiv preprint arXiv:1511.03055},
year = {2015}
}