聚焦何处：基于卷积特征图的查询自适应匹配实例检索
计算机视觉与模式识别
2016-06-23 v1
摘要
实例检索要求在大型语料库中搜索包含特定目标的图像。近期研究表明，利用预训练卷积神经网络（CNN）的卷积层特征图（CFM）通过池化生成的图像特征，在此任务中取得了令人瞩目的性能。然而，由于这些工作采用全局池化策略，生成的图像特征对图像杂波鲁棒性较差，且易受无关图像模式污染。本文通过提出一种利用 CFM 的新型重排序算法，来缓解这一缺陷，以优化现有方法获得的检索结果。我们的核心思想称为查询自适应匹配（QAM），首先用一组基础区域表示每幅图像的 CFM，这些基础区域可自由组合成更大的感兴趣区域。随后，通过比较查询特征与从组合区域池化得到的特征所能达到的最佳相似度得分，来度量查询图像与候选图像之间的相似度。我们证明上述过程可转化为一个优化问题，并可用现成的求解器高效求解。除该通用框架外，我们还提出了两种创建基础区域的实用方法：一种基于 CFM 的特性，另一种基于多尺度空间金字塔方案。大量实验表明，我们的重排序方法带来了显著的性能提升，在多个实例检索基准上应用该方法可超越现有技术水平。
引用
@article{arxiv.1606.06811,
title = {Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps},
author = {Jiewei Cao and Lingqiao Liu and Peng Wang and Zi Huang and Chunhua Shen and Heng Tao Shen},
journal= {arXiv preprint arXiv:1606.06811},
year = {2016}
}